في الآونة الأخيرة، حققت نماذج اللغة الكبيرة (Large Language Models) تقدمًا ملحوظًا في قدرة التفكير المعقد. ولكن كيف يمكننا تحسين هذا الأداء دون تحمل تكاليف تدريب عالية؟ هذا ما تم طرحه في دراسة جديدة مفيدة.

تتطرق الدراسة إلى كيفية تقليص إشراف التفكير دون المساس بالقدرة، وذلك من خلال اعتماد إطار عمل تقليص تدريجي مدفوع بعدم اليقين. حيث تتضمن هذه الطريقة تركيز الإشراف والتحسين على مسارات التفكير الأكثر قيمة للتعلم.

بدلاً من اعتبار تسلسل التفكير الناتج عن المعلم كمسار وحيد، يقوم الباحثون ببناء شجرة تفكير Monte Carlo حول حالات التفكير الوسيطة لاستكشاف عدم اليقين على مستوى العملية. وهذا ما يؤدي إلى تقليص مجموعة البيانات الأصلية إلى مجموعة مركزة مدفوعة بمعلومات المعلم.

وأثناء تدريب الطلاب، يتم التركيز على تكييف الإشراف وفقًا لحالة التعلم المتغيرة باستمرار. وتظهر تجارب أجريت على مجموعة متنوعة من الاختبارات أن هذه الطريقة تستهلك فقط 0.22% من ميزانية التحسين الكاملة، مما يعني تقليلاً يصل إلى 450 مرة في التعرض للتدريب، بينما تحافظ على أداء التفكير أو تحسنه.

بفضل هذه الطريقة المتطورة، أصبح من الممكن تسريع التدريب وتعزيز القدرة على التفكير بشكل ملحوظ، وهذا يعتبر تقدمًا مثيرًا في مجال الذكاء الاصطناعي. كيف تتوقعون تأثير هذه التقنيات الجديدة على مستقبل نماذج الذكاء الاصطناعي؟