تعتبر النماذج اللغوية الضخمة (Large Language Models) أداة قوية في مجالات متعددة، ولكنها غالباً ما تواجه تحديات تتعلق بالأخطاء في المعلومات التي تنتجها. على عكس البشر، الذين يمكنهم تقديم إشارات تنبه عن تقديم معلومات خاطئة، تصعب اكتشاف الأخطاء التي تنتج عن هذه النماذج نظرًا لآلية الترميز التلقائي (autoregressive decoding) التي لا تسمح بالتحقق من صحة التفكير الوسيط قبل تقدم الحالة.

هنا يأتي دور الاستمرارية الغنائية في معاملات الانزلاق (HCRC)، وهو إطار عمل مبتكر يقوم على فكرة التحقق أولاً من صحة المعلومات. من خلال إعادة صياغة الاستدلال كحدوث انتقالات حالة محكومة بواسطة بوابة غنائية، يوفر HCRC مزيجًا من ثقة النموذج مع إشارات تحقق مستقلة من بنية عمالية موازية. مما يسمح بتقدم التنفيذ فقط عندما يتم تحقيق الشروط المحددة للدقة.

هذا الابتكار يسهم بشكل فعّال في الحد من انتشار الحالات الوسيطة غير الصالحة، مما يؤدي إلى تقليل الفوضى المعرفة (epistemic entropy) دون تعديل النموذج الأساسي. تم تقييم HCRC عبر مهام هندسية برمجيات واستدلال، وأظهرت النتائج أن البوابة نجحت في تقليل معدل الأخطاء في الإكمال (FCR) من 4-7% إلى 0%، مع الحفاظ على مستويات زمن استجابة تنافسية، وأحيانًا تكون أسرع من النموذج العادي.

علاوة على ذلك، عمل HCRC كخطة تحكم للإنتاج في بيئة ترميز ذات طابع وكيل، مما ساهم في تفويض تغييرات الملفات، وتقرير تقدم مستند إلى التحقق، وضغط الذاكرة. هذه النتائج تسلط الضوء على HCRC كإطار عمل عام لتنفيذ النماذج اللغوية الضخمة القائِم على التحقق، مما يظهر أن استدلالًا موثوقًا يمكن تحقيقه من خلال التحكم في التنفيذ بدلاً من الاعتماد فقط على حجم النموذج.