في عالم الذكاء الاصطناعي، يعد التواصل الكامن أحد المواضيع المثيرة التي تستحق البحث العميق. في دراسة جديدة نُشرت، تم تسليط الضوء على كيفية استخدام أنظمة النماذج اللغوية الكبيرة (LLM) التواصل من خلال وكالات متعددة، لكن مع فائدة كبيرة: الرسائل الكامنة لا تنتج عادة نصوصًا، بل تمثل معلومات داخلية متواصلة.

رغم أن السعة التمثيلية المتزايدة قد تبدو واعدة، إلا أنها لا تشير بالضرورة إلى أن المتلقي يستخدم المعلومات المناسبة للأداء المطلوب. وبدلاً من ذلك، فإن الأداء النهائي وحده لن يوضح ما إذا كانت هناك حاجة فعلية للرسائل، أو ما إذا كانت المحتويات الناتجة للمثال المعين، أو حتى المعلومات المقدمة من وكيل آخر، قد أثرت على النتائج.

لتحديد هذه الديناميات، قدم الباحثون تفتيشًا سببيًا يطبق استبدالات رسائل محكومة عند الحدود التي يدخل فيها التمثيل المنتج من المرسل إلى المتلقي. تم اختبار أربع إعدادات للرسائل لدعم خمسة قياسات تتعلق بمعلومات المرسل المشفرة، وحساسية المتلقي لوجود الرسالة وهويتها، وقيمة المهمة للمحتوى المحدد بالمثال، بالإضافة إلى القيمة الإضافية المقدمة من وكيل منفصل.

تم تطبيق هذا التدقيق على نتائج الاتصالات الكامنة باستخدام نماذج Qwen3-4B وQwen3-8B على مجموعات بيانات مثل GSM8K وARC-C وMATH-500. وقد أظهرت النتائج المثيرة على سبيل المثال، أن التأثير الكلي لنموذج Qwen3-4B على GSM8K كان سالبًا إذ انخفض بمقدار نقطة واحدة، والتي تفككت إلى تأثير سلبي من رسالة مثال آخر ونقطة إيجابية من محتوى مرتبط بالمثال. حينما انتقلنا إلى نموذج Qwen3-8B، تغيرت الاتجاهات كليًا.

مع زيادة التعقيد في مجموعة البيانات MATH-500، ظهرت نتائج Qwen3-4B بمكاسب ملحوظة، وهو ما أظهر أن الرسائل الكامنة داخل النماذج اللغوية الكبيرة قد تكون مختلفة قليلاً عن الظاهر. الرسائل المحددة بالمثال والقيمة المقدمة من الوكلاء الآخرين تظهر كعوامل رئيسية تؤثر على النتائج.

تؤكد هذه النتائج أن الدقة العامة لا تكفي لتحديد كيفية تأثير الرسالة الكامنة على المتلقي، وهذا يشير إلى الحاجة لمقارنات رسائل محكومة كمعيار للتقييم في التواصل الكامن. إذن، ماذا يعني هذا التطور لنماذج الذكاء الاصطناعي في المستقبل؟ هل لديكم آراء حول كيفية تحسين الأنظمة لتكون أكثر تفاعلاً وفعالية؟ شاركونا تجاربكم في التعليقات.