تُعتبر نماذج اللغات الضخمة (Large Language Models) من أبرز التطورات التقنية في مجال الذكاء الاصطناعي، حيث أظهرت أداءً قويًا في المهام المعتمدة على التفكير الهيكلي. إلا أن الأسئلة حول ما يتم تشفيره في هذه النماذج ومدى تأثيره على سلوكها لا تزال قائمة.

في دراسة جديدة، تم التحقيق في هذا الموضوع من خلال استكشاف التفكير الهندسي، باستخدام قيود التصميم الآلي (CAD) كأرض اختبار للتحقق من العلاقات المحلية بين هذه القيود. تناولت الدراسة ستة نماذج لودات فقط تم تحليلها للكشف عن أربعة خصائص مهمة: قابلية فك التشفير الخطية، إنشاء خيارات قسرية، تأثير مستويات النشاط، والقدرة على توجيه السلوك.

تشير النتائج إلى أن التدريب المسبق يعزز بشكل كبير من قابلية فك التشفير للعلاقات الهندسية المحلية، بينما يظهر أمر مختلف عند النظر إلى حالات حرية التصميم (DOF) التي يمكن فك تشفيرها بسهولة حتى من التمثيلات الأولية. ومع ذلك، لا يمكن الاعتماد دائمًا على المعلومات القابلة للفك كوسيلة للتعبير.

تشير النتائج أيضًا إلى أن هناك انحرافًا بين قابلية فك التشفير، والتوليد، وتأثير مستوى النشاط، والقدرة على التحكم في النتائج. دراسة مثل هذه تفتح الأبواب لفهم أعمق لنقاط القوة والضعف داخل نماذج اللغات الضخمة وكيفية تحسين استخدامها في التطبيقات الهندسية.

ما رأيكم في الفجوات المكتشفة في هذا البحث؟ شاركونا آراءكم في التعليقات!