في عالم الذكاء الاصطناعي المتطور، برزت نماذج ترجمة اللغة الحديثة كعوامل محورية لتمكين التواصل الفعال بين الثقافات المختلفة. ومن بين هذه النماذج تأتي LatentMT، التي تفتح آفاقاً جديدة في علم الترجمة عبر استخدام مفهوم "التفكير الكامن" (Latent Reasoning).

Traditionally, machine translation (MT) has relied on increasing the number of parameters or generating explicit tokens. ولكن نموذج LatentMT يقدم نهجًا مبتكرًا، حيث يعتمد على زيادة الحساب المتكرر داخل الحالات المخفية (Hidden States) بدلاً من ذلك. يمثل هذا النموذج الأول من نوعه الذي يدرس بشكل منهجي استخدام نماذج LoopLMs ذات التفكير الكامن للترجمة.

عبر الاعتماد على نموذج خلفي صغير يتكون من 2.6 مليار معلمة، أظهر LatentMT فعالية ملحوظة - حيث حقق أداءً يقارب نماذج أكبر بثلاث إلى خمس مرات. كما أنه قدم أداءً ممتازًا في اللغات عالية الموارد، وكان له الصدارة في اللغات متوسطة ومنخفضة الموارد.

عند دراسة سلوك زيادة عدد خطوات التفكير المتكرر، وجد الباحثون أن الحساب المتكرر يعمل على تحسين جودة الترجمة في المراحل المبكرة، قبل أن يتوقف التحسن سريعًا بعد ذلك.

وتظهر التحليلات الميكانيكية أن الفروق في التمثيل المخفي تتقلص مع زيادة خطوات التفكير التكرارية، مما يدعم ما تم ملاحظته من تراجع في الأداء.

أخيرًا، توضح دراسات الكفاءة أن LatentMT يتطلب حجمًا أقل من الحساب أثناء التدريب والاستدلال مقارنة بالنماذج غير الكامنة الأكبر، مما يجعل من الحساب المتكرر الكامن مستقبلًا واعدًا لترجمة لغات فعالة وقوية وفي الوقت نفسه مدمجة.