في عالم الذكاء الاصطناعي، تبرز نماذج اللغات الكبيرة (Large Language Models - LLMs) كل يوم كأحد العناصر الأساسية لتطوير التكنولوجيا. مؤخرًا، ظهرت أبحاث جديدة تركز على دور هذه النماذج كوكيل ذكي لتوليد نوى CUDA، مما يفتح آفاقًا جديدة أمام التطورات التقنية.
يمثل هذا البحث طفرة في فهم كيف يمكن لتقنيات التخطيط المدعومة بالتغذية الراجعة أن تعزز من جودة النوى المنتجة. ومع ذلك، يظل فهم كيفية دمج هذه التغذية الراجعة وتأثيراتها على قرارات التخطيط المعقدة أمرًا غير واضح.
للتغلّب على هذه التحديات، تم تقديم أداة جديدة تُعرف باسم exttt{CUDAnalyst}، التي تعمل كطبقة تحليل موحدة لاستنتاج القرارات التخطيطية من التغذية الراجعة عبر تجميد المسارات (trajectory freezing) وإدخال تغذية راجعة انتقائية.
تتيح exttt{CUDAnalyst} تقييمًا ثابتًا لمستويات التوليد وتحليل التأثيرات التعاونية للتغذية الراجعة. تشير النتائج إلى أن التخطيط يكون فعّالًا فقط عندما تكون التغذية الراجعة متوافقة، وأن التخطيط الفعال ينشأ من تفاعلات متعددة منظمة للتغذية الراجعة.
بالإضافة إلى ذلك، يمكن لمستويات التخطيط العالية من النماذج ذات reasoning الأقوى أن تنتقل جزئيًا إلى النماذج الأضعف، مما يعكس المتانة والموثوقية في تأثير التغذية الراجعة عبر مختلف بيئات العمل.