في عالم الذكاء الاصطناعي، يظهر أهمية متزايدة لعملية الإجابة على الأسئلة المدعومة بالاسترجاع، والتي تتطلب سيطرة دقيقة على القرارات المختلفة حول متى يجب تقسيم السؤال، البحث، وإعادة صياغة، واستخراج الأدلة، وتجميع الحقائق. في هذا السياق، قامت دراسة جديدة بفحص كيفية تحسين نماذج اللغة الصغيرة (Small Language Models) من خلال عملية تعرف باسم "التعديل الدقيق عبر المسار" (trajectory fine-tuning).

تسعى هذه الدراسة إلى تحسين نماذج اللغة الصغيرة (SLMs) لكي تعمل كعناصر تحكم في اتخاذ القرارات التالية. بالإضافة إلى ذلك، تم تقييم فعالية إعداد منخفض الموارد حيث يعمل SLM واحد كعنصر تحكم ومولد للإجابة النهائية في الوقت نفسه. من خلال تحليل بيانات البحث التي تم قبولها، تم بناء مهمة تنبؤية تتضمن سبع خطوات متنوعة، حيث يتعين على النموذج التنبؤ بالإجراء التالي الذي سيتخذه المعلم بناءً على الحالة الحالية.

تظهر النتائج أن نموذج Granite 4.1 3B، المدرب على 13,194 إجراءً، قد سجل معدل F1 يصل إلى 0.6536 من خلال التعديلات الدقيقة، مقارنة بـ 0.1736 عند استخدام النموذج بدون توجيه. كذلك، في تقييم متعدد الأدوار بين عناصر التحكم والمولدات على 149 مجموعة بيانات محجوزة، أسفرت التعديلات الدقيقة عن تحسن كبير في نسبة المطابقة الكاملة (Exact Match) التي ارتفعت من 0.7530 إلى 0.7946.

توضح هذه النتائج كيف تعزز عمليات الإشراف على المسار القدرة على التنبؤ بالخطوات التالية وتحسين تسجيل الأدلة في هذا النظام. يعد هذا البحث إشعارًا مهمًا للمطوري التكنولوجيا والمهتمين في مجال الذكاء الاصطناعي، وكما يتوفر الكود عبر الرابط [https://github.com/padas-lab-de/agent-action-controller]، مما يتيح للمطورين فرصة استكشاف هذه التقنيات المتقدمة بأنفسهم.