في خطوة مثيرة، كشفت دراسة حديثة عن نتائج مثيرة في مجال الذكاء الاصطناعي، حيث أظهرت أن نماذج اللغة الكبيرة (Large Language Models) تتمتع بأداء أفضل عند استخدام أسلوب التوجيه المرن بدلاً من الاعتماد على طريقة التفكير المتسلسل (Chain-of-Thought أو CoT).

تعتبر طريقة CoT معياراً أساسياً لتقييم قدرات النماذج في التفكير المنطقي، حيث تم تصميمها في الأصل لتحفيز النماذج على تقديم خطوات تفكير مفصلة بدلاً من مجرد إعطاء الإجابة النهائية. لكن مع تقدم التكنولوجيا، بدأت النماذج الحديثة تنتج استجابات على طراز CoT بشكل طبيعي عند مواجهة مهام تتطلب التفكير.

أجرى الباحثون تقييمات على عدة نماذج متوسطة الحجم معنية بتحليل المشكلات الرياضية، ووجدوا أن النماذج المتخصصة في التفكير حققت نتائج أفضل في بيئة خالية من الأمثلة (zero-shot) بالمقارنة مع الأسلوب التقليدي الذي يعتمد على أمثلة محدودة (few-shot). هذه النتائج أظهرت تفوقاً ملحوظاً، حيث ارتفعت الدقة من حوالي 77% إلى 84% لنموذج Mathstral على مجموعة بيانات GSM8K.

بينما كان نموذج عام آخر قادراً على التفوق أيضاً في بيئة Zero-shot باستخدام توجيه CoT. تُعزى هذه التحسينات إلى وجود ما يُسمى بـ 'تبادل التوجيه والإلهاء'، حيث يتطلب استخدام طريقة CoT القياسية تكيّفاً في الأسلوب وامتثالاً للتنسيق، مما قد يُلهي النماذج عن جوهر المهمة التحليلية.

تشير النتائج الجديدة إلى أن الاعتماد على طريقة CoT يبدأ في أن يصبح مصدر إلهاء كلما زادت قوة النماذج، مما يعيد تعريف كيفية تقييمنا لقدرات هذه النماذج المتقدمة. كيف ترى هذا التحول؟ هل تعتقد أن التوجيه المرن سيساعد حقاً في تحسين أداء الذكاء الاصطناعي؟