في السنوات الأخيرة، شهدنا تقدمًا ملحوظًا في تمكين نماذج اللغات الضخمة (Large Language Models) من إنجاز مهام تفكير معقدة مثل الرياضيات والبرمجة. ولكن عندما نبدأ في تطبيق هذه النماذج على مهام أصعب قد لا تتمكن من حلها من أول مرة، يصبح من الضروري مراعاة قدرتها على إنشاء "محطات وسيطة" تساهم في 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 إطار 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 الضخمة ذات القدرات المتنوعة على حل المهام المستهدفة بشكل أفضل. بعد ذلك، نعيد صياغة عملية توليد المحطات الوسيطة على أنها مهمة ما بعد التدريب، ونعرض كيف يمكننا تحسين نماذج اللغات الضخمة لإنتاج محطات أكثر فائدة من خلال أسلوب SFT والتعلم التعزيزي (Reinforcement Learning) باستخدام بيانات اصطناعية.

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