في عالم [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) المتسارع، يبرز [إطار العمل](/tag/إطار-العمل) [LiTS](/tag/lits) (Modular Framework for [LLM](/tag/llm) Tree Search) كنموذج مبتكر يدفع حدود [البحث](/tag/البحث) في [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) إلى آفاق جديدة. يعتمد [LiTS](/tag/lits) على [تقنية البحث](/tag/[تقنية](/tag/تقنية)-[البحث](/tag/البحث)) الشجري من خلال ثلاثة مكونات قابلة لإعادة الاستخدام: Policy، Transition، وReward Model، والتي تتيح للمستخدمين دمجها بسهولة في [خوارزميات](/tag/خوارزميات) مثل [MCTS](/tag/mcts) وBFS.

ما يميز [LiTS](/tag/lits) هو قدرته على [التكيف](/tag/التكيف) والتطوير؛ إذ يوفر نظام تسجيل يعتمد على الزخارف (decorator-based registry) يمكّن الخبراء من تسجيل المكونات الجديدة، مما يسهل توفير [حلول](/tag/حلول) متنوعة للنماذج اللغوية (Large Language [Models](/tag/models)) [عبر](/tag/عبر) مجالات متعددة.

لقد أثبتنا [كفاءة](/tag/كفاءة) [إطار العمل](/tag/إطار-العمل) على مهام متنوعة مثل MATH500 ([الاستدلال اللغوي](/tag/[الاستدلال](/tag/الاستدلال)-اللغوي))، وألعاب الكلمات المتقاطعة ([تخطيط](/tag/تخطيط) البيئات)، وMapEval (استخدام [الأدوات](/tag/الأدوات))، مما يظهر أن المكونات والخوارزميات تتسم بالتوافق: فالمكونات يمكن إعادة استخدامها [عبر](/tag/عبر) [الخوارزميات](/tag/الخوارزميات) لكل نوع من المهمات، والخوارزميات يمكن أن تعمل على المكونات في جميع المجالات.

ومع ذلك، تم الكشف عن شيء مثير للقلق؛ حيث أظهرت النتائج أن [تنوع](/tag/تنوع) [سياسة](/tag/سياسة) [LLM](/tag/llm) هو العامل المحدد في فعالية [البحث](/tag/البحث) الشجري في [فضاءات العمل](/tag/فضاءات-العمل) غير المحدودة، وليس جودة المكافأة. إذا كنت مهتمًا بمشاهدة [LiTS](/tag/lits) في العمل، يمكنك الاطلاع على [فيديو](/tag/فيديو) العرض المتاح [هنا](https://youtu.be/nRGX43YrR3I).

ولمن يرغب في الغوص بشكل أعمق، تم إصدار الحزمة تحت رخصة Apache 2.0، ويمكن العثور عليها على [GitHub](https://github.com/xinzhel/lits-llm)، مع [تعليمات](/tag/تعليمات) التثبيت وأمثلة قابلة للتنفيذ تساعد المستخدمين على إعادة إنتاج التدفقات المعروضة.