تناقش الدراسة الحديثة كيفية تحسين نماذج التفكير الخفية (Latent Reasoning Models) في الذكاء الاصطناعي من خلال التركيز على اتجاهات التفكير الثابتة. فبينما تؤدي هذه النماذج استنتاجات متعددة الخطوات مباشرة في فضاء الحالات الخفية، فإن الهياكل التي تشكل هذه المسارات لا تزال غير مفهومة بشكل كامل.

في هذا السياق، تمكَّن الباحثون من إثبات أن إشارات التحسين التبادلي بين المسارات الأقوى والأضعف تظهر تركيبة منخفضة الرتبة بشكل مركز. بينما تظل التحديثات الخفية غير المقيدة حساسة للمعادلات الموازية، واختيار النقاط الزمنية، واهتزازات المسارات. هذه الملاحظات توحي أن المسارات الخفية للتفكير تحتوي على اتجاهات ثابتة ذات استقرار مختلط مع تباينات محددة تتعلق بالحالات الفردية.

تم تقديم إطار عمل جديد يُعرف بـ "تحسين الخفاء الثابت في المسار" (Trajectory-Invariant Latent Refinement, TILR)، والذي يعد تدخلاً بدون تدريب يهدف إلى تحديد والتلاعب بالاتجاهات الثابتة في الفضاء الخفي.

يعتمد TILR على تعلم نطاق منخفض الرتبة من الفروق المسارية التبادلية عبر المدخلات. ثم يتم تقييد التدخلات الخفية إلى هذا النطاق بينما يتم كبح التحديثات غير المتوافقة عبر بوابة التوافق التكيفية.

عبر ستة معايير لتقييم التفكير، وجد الباحثون أن عددًا قليلاً من الاتجاهات الخفية يفسر معظم التباين بين المسارات القوية والضعيفة. حيث تؤدي التدخلات في هذه الاتجاهات إلى تحسين الاستنتاجات بشكل سببي وتقلل من عدم استقرار المسار تحت تأثير إعادة صياغة الجمل والاهتزازات.

تظهر النتائج أن TILR يحسن اتساق الإجابات بمعدل يقارب 10% ويقلل من تباين المسارات الخفية بنسبة تصل إلى 50% مع الحفاظ على دقة التفكير. هذه الاكتشافات تدعم رؤية هندسية للتفكير الخفي حيث يظهر سلوك التفكير القابل للنقل من خلال الهيكل المنخفض الأبعاد الثابت ضمن مسارات الحالات المخفية.