في عالم الذكاء الاصطناعي، يأتي الابتكار دائمًا بجديد ومثير. مع تقدم التقنيات، يظهر لنا FutureBridge، النظام الذي يعد نقطة تحول في طريقة اختيار التوكينات (Tokens) أثناء التعاون بين نماذج اللغة الكبيرة (Large Language Models - LLM) ونماذج اللغة الصغيرة (Small Language Models - SLM).

تقنيات المستقبل تستند إلى فكرة أن التعاون التجميعي بين النماذج، حيث يساهم LLM بمساعدة SLM عند تباين توقعاتهم، يمكن أن يحدث فرقًا كبيرًا. بينما كانت الطرائق السابقة تعتمد على التدخل من التوكينات التي يولدها LLM أو تصنيف المرشحين بناءً على احتمالات التوكينات التالية، فإنها كانت تعاني من ضعف التفضيلات المحلية.

مع FutureBridge، تم تقديم نهج مبتكر يقوم بتصنيف التوكينات وفقًا لمدى دعمها لتفكير SLM المستقبلي. خلال عملية التدريب، تعتمد هذه الطريقة على مسار تم التحقق من إجابته بواسطة LLM، مما يوفر مستقبلًا مشتركًا ثابتًا. ومن ثم، يُقيم SLM كل مرشح ضمن هذا السياق المشترك ما يولد تقييمات عكسية تدعم عملية الاختيار.

عند استخدام FutureBridge، يتم توسيع مجموعة المرشحين عبر LLM، ثم يتم اختيار توكين واحد، ليس بهدف توليد أو إضافة لاحقة مستقبلية وإنما لضمان استمرارية التفكير لدى SLM. في نتائج مثيرة، أظهر هذا النظام تحسنًا بنسبة 35.1% في متوسط أداء نماذج Qwen3-1.7B في مجالات الحسابات الرياضية.

تعد هذه النتائج واضحة؛ فاختيار التوكين يتحسن عندما نأخذ بعين الاعتبار قدرة SLM على استخدام كل مرشح لاستمرار التفكير.