تعتبر نماذج اللغات الضخمة (Large Language Models - LLMs) من أكثر الابتكارات إثارة في مجال الذكاء الاصطناعي، ولكنها تواجه تحدياً ملحوظاً في تنفيذ المهام ذات الأفق الطويل. برز هذا التحدي بشكل خاص عند استخدام استراتيجيات عالية المستوى، حيث يظل التنفيذ غير مستقر. في دراسة جديدة، يُستعرض كيف أن التحليل الدقيق، رغم كونه ضرورياً لتحقيق الاستقرار، يمكن أن يؤدي في بعض الحالات إلى عائق يُعرف بـ "حصار عدم الاسترداد".

تظهر النتائج أن الأخطاء الموزعة بشكل غير متساوٍ تسحب النموذج إلى حالة من عدم القدرة على التعافي، وخاصة مع وجود أخطاء متواصلة في خطوات "صعبة" قليلة.

للتغلب على هذا التحدي، تم اقتراح تقنية جديدة تُدعى "التفكيك الذري المعزز بالاستبصار" (Lookahead-Enhanced Atomic Decomposition - LEAD). تعتمد LEAD على التحقق من المستقبل القريب أثناء عملية التنفيذ، مما يتيح للنموذج تصحيح الأخطاء مع الحفاظ على السياق المحلي المطلوب.

لقد أظهرت التجارب أن نموذج o4-mini باستخدام تقنية LEAD أصبح قادراً على حل لعبة الداما بمستوى تعقيد يصل إلى $n=13$، بينما النماذج التي تعتمد على التفكيك المفرط لم تتمكن من الأداء بشكل جيد عند مستوى تعقيد يزيد عن $n=11$. يُظهر هذا التطور أهمية الابتكارات الجديدة في تعزيز أداء نماذج الذكاء الاصطناعي وتوسيع مجالات استخدامها.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.