في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (LLMs) من أبرز الابتكارات التي تشهد تقدماً سريعاً. ولكن مع ازدياد التحديات المرتبطة بتشغيل هذه النماذج، خاصة عندما تتطلب مشاكل معينة تفكيراً معقداً، يظهر التساؤل: كيف نحدد أي المدخلات تحتاج فعلياً إلى موارد إضافية؟

دراسة حديثة متاحة على arXiv تتناول هذه القضية، حيث تستكشف إمكانية استرداد احتمالية نجاح النماذج من تمثيلاتها الداخلية قبل البدء في عملية التوليد. من خلال تدريب نماذج صغيرة تُعرف بـ 'linear probes' على تنشيطات ما قبل التوليد، تمكن الباحثون من توقع النجاح في مهام رياضية وبرمجية بكفاءة تفوق الخصائص السطحية المعتمدة عادة مثل طول السؤال أو تكرار الكلمات.

باستخدام أسلوب E2H-AMC، الذي يقدم أداء البشر والنماذج على مشاكل متطابقة، وجد العلماء أن النماذج تحتفظ بمفهوم خاص بالصعوبة يختلف عن ما يراه البشر، وهذا الاختلاف يزداد مع زيادة التعقيد في التفكير. هذه النتائج تفتح أبواباً جديدة لتوجيه الاستفسارات عبر مجموعة من النماذج، مما قد يسهم في تحسين الأداء وتقليل تكاليف الاستنتاج بشكل يصل إلى 70% على مهام الرياضيات.

إن هذه التقنية الجديدة ليست مجرد خطوة نحو تحسينات في الأداء، بل تحمل في طياتها وعوداً بكفاءات أفضل، حيث ستمكن المطورين والباحثين من توظيف الموارد بالشكل الأمثل دون التفريط في دقة النتائج.