تكشف الأبحاث الجديدة عن كيفية تجاوز نماذج التفكير لنقطة الراحة بعد الوصول إلى الإجابة. ففي دراسة أجريت على نموذج DeepSeek-R1-Distill-Qwen-7B، تم ملاحظة أن عملية التفكير تستمر لفترة أطول مرتين من الوقت اللازم لاستقرار احتمال الإجابة، مما يعكس أداءً غير مستغل. يوضح الباحثون أن مقدار هذه الفائض يمكن أن يختلف استنادًا إلى نوع المشكلة، لذا فإن استخدام عقوبة طولية عالمية لا يعد حلًا كافيًا.

هنا يأتي دور مفهوم 'الثغرة المتوقفة' (Halt Vector) الذي تم دمجه في أوزان النموذج. تعتمد هذه الآلية على نافذة تفكير تتحكم في مدة التفكير بالاستناد إلى تحليل سببي، حيث يتم تعديل الطبقة 18 في النموذج بشكل دقيق. بينما يمكن أن يتسبب تعزيز هذه الوظيفة في فساد الأبعاد الجانبية، إلا أن إعادة بناء تنشيط التوجيه الصحيحة مع الحفاظ على تلك الأبعاد في قيمها الطبيعية أثبتت جدواها.

استنادًا إلى 24 مشكلة مختلفة وبدون استخدام التعلم المعزز، أظهرت الثغرة المتوقفة تقليصًا قدره 25% في مدة التفكير مع الحفاظ على الدقة عبر خمسة معايير غير مرئية، بالإضافة إلى إغلاق مسار عدم الانتهاء الذي يزداد تعقيدًا. بينما لا ندعي التفوق على نظام عقوبة الطول المصمم بشكل احترافي، فإن المساهمة تكمن في كيفية تحقيق هذا التحسين. إن هذا التطور يعد خطوة بارزة في مسيرة تحسين خصائص الذكاء الاصطناعي، لذا يبقى السؤال المتبادر إلى الذهن: كيف يمكن أن يؤثر هذا الابتكار على مستقبل التكنولوجيا؟