في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الكبيرة (Large Language Models) أداة رئيسية في ترجمة مشكلات التحسين إلى صيغ قابلة للتحليل. إلا أن توليد الشيفرات بشكل مباشر قد يواجه العديد من الصعوبات، مثل أخطاء في التركيب والفهرسة، مما يؤدي إلى فشل التجميع أو نماذج غير قابلة للتحقيق. هنا يأتي دور نظام IR2Solve، الذي يعتمد على تمثيل متوسط منظم لأتمتة الصياغة.

تسمح عملية IR2Solve باستخدام استدعاء واحد لنموذج اللغة الكبيرة لإنتاج نموذج مُقيد (ModelIR) يتضمن مجموعات ومعلمات ومتغيرات وأهداف وقيود. كما يتميز باستخدام تعبيرات تُشبه بايثون، مما يقلل الأخطاء المتعلقة بالقيود الواردة ويسهل التحقق من صحة النماذج والتحويل إلى صيغ قابلة للتنفيذ.

تجارب النظام على ستة مbenchmarks تم تنظيفها أظهرت أن IR2Solve يحقق دقة قوية في الأهداف بينما يبقى منافسًا قويًا مع أنظمة النمذجة الحديثة. حيث تسجل مقارنة مع أنظمة أخرى مثل Chain-of-Experts وSAC-Opt استخدامًا أقل في عدد الاستدعاءات، مما يعد بتوفير كبير في التكلفة.

نتيجة لهذه الابتكارات، يمثل IR2Solve خطوة عملية نحو تحسين دقة التكلفة المترتبة على استخدام نماذج الذكاء الاصطناعي في توليد حلول برمجية أكثر كفاءة. فهل أنتم مستعدون لاكتشاف المزيد عن هذه الثورة في عالم البرمجة؟ شاركونا آراءكم في التعليقات!