تتواصل أنظمة الـ LLMs المتعددة الوكلاء بطرق تتجاوز الكلمات، حيث تعتمد على تبادل ما يُعرف بالأفكار الكامنة (Latent Thoughts). ومن خلال تحليل causal audit، يتبين أن تحسين الأداء لا يأتي من مجرد وجود مثال يُشارك، بل يعتمد فعلياً على كيفية تفاعل الوكلاء فيما بينهم.

في دراستنا الأخيرة، تم استبدال نظم الاحتفاظ بالمعلومات (caches) بإصدارات عشوائية غير متطابقة لمعرفة تأثير ذلك على الأداء. ومن المثير للدهشة أن النتائج أظهرت أن الأداء يعبر عن تحسن كبير يصل إلى 100% عندما يحتاج المستلم إلى معلومات خاصة، بينما انخفضت النسبة إلى 23-25% في حالاتٍ أخرى.

بالنظر إلى التجارب التي أُجريت عبر ثلاثة نماذج مختلفة، أكدت النتائج أن مجرد وجود قناة لنقل المعلومات لا يقلل من أهمية الاتصال الكامن. عندما لا تُعتبر المعلومات الخاصة ضرورية، تكاد الفروقات تكون طفيفة، مما يثبت أن الأداء العالي يعتمد على مجموعة من العوامل المعقدة.

كما أظهرت إحدى التجارب أن إلغاء أو تعديل الاتصال الكامن قد يؤثر بشكل ملحوظ على النتائج، حيث انخفض الأداء بمقدار 14.7 نقطة في حالة إلغاء النقل، مما يشير إلى أهمية العلاقة بين العوامل المتعددة في الحصول على معلومات دقيقة وفعالة.

هذه النتائج ليست مجرد تحليلات تقنية، بل تفتح آفاق جديدة لفهم كيف يمكن أن تُساهم الأنظمة المعقدة في تعزيز التعلم الآلي وفتح مجالات جديدة للبحث والتطوير. فما رأيكم في مستقبل هذه التقنيات؟ شاركونا في التعليقات.