في عالم الذكاء الاصطناعي، تعد قابلية تحسين الخوارزميات للحصول على نتائج أفضل أمراً ضرورياً. ومن أجل الوصول إلى هذه النتائج، تم تقديم فرضية جديدة تُعرف باسم "فرضية المسار الذهبي" (Golden Path Hypothesis - GPH). تهدف هذه الفرضية إلى تسريع عملية الإنتاج من خلال استبدال حسابات نموذج التحويل (Transformer) بميزات تم تخزينها مسبقاً أو تم التنبؤ بها خلال خطوات التصحيح المحددة.

تدخل GPH في كيف يمكن للجداول التي لا تعتمد على المدخلات أن تحقق جودة نهائية مماثلة لأفضل الجداول المخصصة لكل مدخل. تم التحقيق في الفرضية عبر عشرة أساليب تخزين، وأربعة نماذج للصورة والفيديو، وثلاثة نسب تخزين. في هذا السياق، أثبتت الأساليب المتوافقة مع المدخلات مراراً وتكراراً إمكانية اختيار عدد قليل من الجداول واستخدام الجداول الأكثر شيوعاً على المدخلات الجديدة، مما يعكس جودة قريبة من الخيارات المخصصة.

عند تقييم شامل لأكثر من 1.4 مليون جدول على أربع أمثلة، تم تحديد الجداول غير المعتمدة على المدخلات التي تبقى تنافسية في المدخلات غير المعروفة. لتفسير هذا الانتقال، تمت دراسة مسارات تصحيح الأخطاء وتراكم الأخطاء الناتجة، حيث أظهرت مسارات الحالة الكامنة هياكل متشابهة عبر مجموعات البيانات المختلفة.

تسمح هذه الطرق الجديدة بالبحث عن جداول شاملة باستخدام جودة النتائج النهائية. باستخدام مجموعة صغيرة من الأمثلة، يمكن أن تنتقل المسارات الذهبية عبر المدخلات ومجموعات البيانات، مما يتيح ضبط الجودة المطلوبة، سواء كانت دقة إعادة البناء أو التشابه الإدراكي.