تستمر الأبحاث في توضيح التعقيدات المرتبطة بتطوير نماذج الذكاء الاصطناعي، وخصوصاً فيما يتعلق بسلاسل التفكير الطويلة (Long Chain-of-Thought, CoT) التي تُستخدم كإشراف لنماذج التعلم العميق. في دراسة حديثة، تم تسليط الضوء على ظاهرة يُطلق عليها الاستمرارية الضارة (Harmful Continuation)، التي تُشير إلى أن بعض أوجه الاستمرار في عمليات التفكير قد تؤدي إلى نتائج تدريب غير مرضية.

تمت دراسة الاستمرارية بعد الاستنتاج لنماذج التعلم العميق التي تركز على الأسئلة، حيث يمكن أن يبدو أن الإجابة المدعومة كافية، ولكن السلسلة تستمر بمزيد من التفكير الذي يبقى في نطاق الهدف المُشرف عليه. لاختبار تأثير تلك الاستمرارية على التعلم، تم استخدام محرر يقيد التعديل لإزالة أجزاء من السلسلة، وقارنت النتائج بين نماذج التعلم العميق التي اعتمدت على البيانات الأصلية والمُعالجة.

النتائج كانت واضحة، حيث تم ملاحظة تحسن ملحوظ في نتائج التدريب بعد إزالة الاستمرارية الضارة، مما يدعم فرضية أن هذه الاستمرارية تؤثر سلباً على عملية التدريب.

بالإضافة إلى هذه التجربة، تم التعرف على خصائص الاستمرارية المزالة من خلال قياس عدم اليقين والتقدم الخفي، حيث تم تسجيل عدم يقين محلي مستمر وضعف في التقدم الاتجاهي النهائي. من هنا، تم اقتراح نموذج جديد يُعرف بـ Cut for Harmful Continuation (HCC)، والذي يُمثل حدود الاستمرارية الضارة بشكل دقيق.

من الواضح أن الفهم العميق لمشكلة الاستمرارية الضارة قد يكون له آثار واسعة على طرق تدريب نماذج الذكاء الاصطناعي، مما يستدعي المزيد من البحث والابتكار في المجال.