تعتبر نماذج اللغة الكبيرة المعتمدة على الديناميكية (Diffusion Large Language Models - dLLMs) من الابتكارات الواعدة في عالم الذكاء الاصطناعي، حيث توفر إمكانيات كبيرة في توليد المحتوى بشكل متوازٍ. ومع ذلك، يواجه هذا النوع من النماذج تحدياً كبيراً، وهو الانحياز في جودة فك التشفير مقابل سرعة الأداء.

تعمل استراتيجيات فك التشفير القابل للإلغاء على تقليل الأخطاء من خلال التحقق من صحة الرموز وإعادة تشكيلها، ولكنها غالباً ما تواجه سياقات ذات جودة مختلطة. هذا يؤدي إلى فشلين رئيسيين:   extit{انتشار الأخطاء}، حيث تمتص الرموز الجديدة معلومات سامة من السياقات الخاطئة، و extit{تعزيز الأخطاء المحلية}، حيث تعزز الأخطاء نفسها بشكل متبادل لتفادي الاكتشاف.

لكي نتخطى هذه التحديات، نقدم مفهوم ASRD (فك التشفير القابل للإلغاء المعزز بالرموز) كإطار عمل لا يحتاج إلى تدريب ويعمل داخل مجال التعزيز. يقوم ASRD بفصل السياق الخاص بفك التشفير إلى رموز توجيه موثوقة تحدد من خلال الاتساق الزمني، ومترشحات غير مؤكدة.

من خلال استخدام ذاكرة رموز التوجيه الديناميكية، نقدم آليتين مكملتين:
1. **التوليد الموجه بالرمز التوجيهي**، حيث يتم إدخال إشارات ذات وزن عشوائي في المواقع المخفية لتصحيح الانتباه نحو الهيكل العالمي القوي.
2. **التحقق المضطرب بالرمز التوجيهي**، حيث يتم تطبيق اضطرابات عمودية على الرموز المرشحة غير المؤكدة، مما يؤدي إلى عدم استقرار وإعادة تشكيل الأخطاء الناتجة عن اتفاق محلي هش.

أظهرت التجارب الواسعة على معايير الرياضيات والترميز أن ASRD يتفوق على الأسس الحديثة لإعادة التشكيل، محققاً تحسينات في الدقة تصل إلى 6.4% مع تسريع إمرات الاستدلال حتى 7.2 مرة. إن هذه التطورات تشير إلى مستقبل واعد لهذه التكنولوجيا المتقدمة، مما يقود إلى تحسين جودة المعلومات والأداء في مجالات متعددة.