في السنوات الأخيرة، شهدنا تقدمًا ملحوظًا في [تمكين](/tag/تمكين) [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models)) من إنجاز مهام [تفكير](/tag/تفكير) معقدة مثل [الرياضيات](/tag/الرياضيات) والبرمجة. ولكن عندما نبدأ في تطبيق هذه [النماذج](/tag/النماذج) على مهام أصعب قد لا تتمكن من حلها من أول مرة، يصبح من الضروري مراعاة قدرتها على إنشاء "محطات وسيطة" تساهم في [تحسين](/tag/تحسين) مقاربتها لحل هذه المهام.

تشمل محطات الوسائط التي يمكن أن تساهم في ذلك تبسيطات، أو تسويات بديلة، أو مشاكل فرعية. في هذا السياق، قمنا بدراسة الخصائص والفوائد لهذه المحطات [عبر](/tag/عبر) إطار [عمل](/tag/عمل) يسمى ARQ (Asking the Right Questions)، الذي يقدم مولد أسئلة إلى المسار الأفتراضي الخاص بالتفكير.

أولاً، نوضح أن الأسئلة الجيدة يمكن أن تتواجد وتكون قابلة للنقل، مما يعني أنه يمكن توليدها بشكل ملحوظ مما يساعد [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) ذات القدرات المتنوعة على حل المهام المستهدفة بشكل أفضل. بعد ذلك، نعيد صياغة عملية [توليد](/tag/توليد) المحطات الوسيطة على أنها مهمة ما بعد التدريب، ونعرض كيف يمكننا [تحسين](/tag/تحسين) [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) لإنتاج محطات أكثر فائدة من خلال أسلوب [SFT](/tag/sft) والتعلم التعزيزي ([Reinforcement Learning](/tag/reinforcement-learning)) باستخدام [بيانات اصطناعية](/tag/[بيانات](/tag/بيانات)-اصطناعية).

إن [فهم](/tag/فهم) كيف يمكن أن تُسهم الأسئلة البسيطة في رفع [كفاءة](/tag/كفاءة) [نماذج الذكاء الاصطناعي](/tag/[نماذج](/tag/نماذج)-الذكاء-الاصطناعي) يعد خطوة مهمة [نحو](/tag/نحو) [تحقيق](/tag/تحقيق) نتائج أفضل في المجالات التي تتطلب تفكيرًا منطقيًا معقدًا. فهل تفضل استخدام الأسئلة لتوجيه [نماذج الذكاء الاصطناعي](/tag/[نماذج](/tag/نماذج)-الذكاء-الاصطناعي) في مهام [التفكير](/tag/التفكير) الصعبة؟