من التنفيذ إلى القدرة: كيفية تعزيز كفاءة النماذج اللغوية الكبيرة في العلوم

في الآونة الأخيرة، شهدنا تقدمًا ملحوظًا في النماذج اللغوية الكبيرة (Large Language Models) في تنفيذ مهام الحوسبة العلمية، ولكن ما زالت العديد من التحديات قائمة. أبرز هذه التحديات هو أن التغذية الراجعة القابلة للتنفيذ من مشكلة معينة لا تتطور دائمًا إلى قدرة دائمة على حل المشكلات اللاحقة. لذلك، أصبح من الضروري فهم كيفية تحويل الخبرة التشغيلية الموثوقة إلى معرفة إجرائية قابلة للنقل وتحسين مستمر للنموذج.

إن التعليمات الإجرائية التي تستند إلى الخبرات السابقة قد تتضمن أحيانًا إصلاحات خاصة بمصدر معين بدلاً من آليات الحوسبة عبر المهام، مما يؤدي إلى فجوة في الفهم بين التجريد والتنفيذ. لمواجهة هذا التحدي، تم تطوير تقنية جديدة تُعرف باسم **SciConsolidate**. هذه التقنية تعمل على مقارنة النجاحات والإخفاقات الموثوقة لاستنتاج إجراءات متعددة المهام، وتحديدها من خلال بوابة التطوير والتحقق.

تسعى SciConsolidate إلى توسيع مجموعة بيانات التوحيد من خلال استنتاج استفسارات خالية من الإجابات، مما يجعل العملية ممكنة بدون الحاجة إلى إجابات مرجعية مسبقة. وبما أن النموذج المستهدف قد لا يكون قادرًا على تنفيذ هذه التجريدات مباشرة، يقوم نموذج أقوى بتحويلها إلى إشراف برمجي قابل للتنفيذ، مما يساعد على تحسين الفعالية.

وفقًا للنتائج، أدى استخدام تقنية الإدخال الإجرائي على نموذج **Qwen3.6-27B** إلى تحسين النقاط بمقدار 3.85 نقطة في الخطوات الجزئية و6.26 نقطة في المشكلة الرئيسية، بينما لم يُظهر نموذج **Qwen3.5-9B** التحسن المطلوب، مُشددًا على وجود فجوة تجريدية-تنفيذية.

بعد عملية التحويل التوجيهية، أظهر النموذج الذي يتكون من 9 مليار معلمة تحسنًا ملحوظًا في النشر الخالي من الإجراءات، حيث زادت النقاط بمقدار 3.89 في الخطوات الجزئية و6.25 في المشكلة الرئيسية مقارنةً بنموذج الضبط بدون إجراءات. هذه النتائج تمثل طريقًا واضحًا لتحويل الخبرات إلى قدرات عملية في مجال الحوسبة العلمية.

باختصار، تقوم هذه الدراسة بتوفير نقطة انطلاق عملية للتوسع في وتطوير المساعدات العلمية الذاتية التحسين، مما يبرز الإمكانيات المستقبلية للهندسة المعرفية والنماذج اللغوية الكبيرة.