في عالم الذكاء الاصطناعي، وصلت نماذج اللغات الضخمة (Large Language Models) إلى مراحل جديدة من الابتكار، خصوصاً في توقعات السلاسل الزمنية. ولكن، يواجه الباحثون تحديات مع التقنيات التقليدية التي تعتمد على مطابقة سلبية أو إعادة برمجة ثابتة، مما يجعلها غير قادرة في كثير من الأحيان على اكتشاف الأنماط الزمنية الدقيقة وغير الثابتة.

لذا، ظهرت تقنية جديدة تُعرف باسم InA-Probe، والتي تتيح استجابة أكثر ديناميكية من خلال آلية تنشيط مدفوعة بالتعليمات. تعتمد هذه التقنية على تصميم آلية حقن التعليمات متعددة المستويات، مما يثري النموذج بالأهداف العامة المهمة جنباً إلى جنب مع الافتراضات الدلالية الدقيقة على مستوى الأجزاء.

من خلال هذا النهج المبتكر، توفر InA-Probe أيضاً وحدة توليد استعلامات قابلة للتكيف، تقوم بإنشاء مسابر (probes) خاصة لكل عينة تتفاعل ديناميكياً مع السياق الزماني. ثم يتم تحسين هذه المسابر عبر عملية اهتمام مزدوج المراحل، حيث تتأقلم أولاً مع النوايا الخاصة بالمهمة عبر انتباه ذاتي مدعوم بالتعليمات، ثم تحقق من التمثيلات الزمانية المستهدفة مستفيدة من التركيز الزماني المتداخل.

أظهرت التجارب الشاملة على سبعة معايير حقيقية أن InA-Probe تتفوق باستمرار على أحدث أساليب التعلم العميق ونماذج اللغات الضخمة، حيث تتألق في كل من التعميم الآني ونقل المعرفة بدون تدريب، مع تقليل نسبة الخطأ في التوقعات بنسبة تصل إلى 37% في سيناريوهات عبر مجالات تحدي. تؤكد الدراسات التجريبية أن التآزر بين الاستعلامات القابلة للتكيف والتعليمات الدقيقة هو المفتاح للكشف عن قدرة الاستدلال لنماذج اللغات الضخمة في التعامل مع السلاسل الزمنية المعقدة.