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

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

لقد أثبتنا كفاءة إطار العمل على مهام متنوعة مثل MATH500 (الاستدلال اللغوي)، وألعاب الكلمات المتقاطعة (تخطيط البيئات)، وMapEval (استخدام الأدوات)، مما يظهر أن المكونات والخوارزميات تتسم بالتوافق: فالمكونات يمكن إعادة استخدامها عبر 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 سياسة LLM هو العامل المحدد في فعالية البحث الشجري في فضاءات العمل غير المحدودة، وليس جودة المكافأة. إذا كنت مهتمًا بمشاهدة LiTS في العمل، يمكنك الاطلاع على فيديو العرض المتاح هنا.

ولمن يرغب في الغوص بشكل أعمق، تم إصدار الحزمة تحت رخصة Apache 2.0، ويمكن العثور عليها على GitHub، مع تعليمات التثبيت وأمثلة قابلة للتنفيذ تساعد المستخدمين على إعادة إنتاج التدفقات المعروضة.