في خضم التطورات السريعة للذكاء الاصطناعي، يبرز مفهوم جديد يحمل طابعًا ثوريًا، وهو "نظرية المفتاح الرئيسي". يهدف هذا المفهوم إلى استكشاف كيف يمكن نقل القدرات المكتسبة بعد التدريب بين نماذج مختلفة دون الحاجة لإعادة تدريبها، مع التركيز على النقل عبر نماذج بمقاييس متنوعة.

تسعى نظرية المفتاح الرئيسي إلى الربط بين قدرات النماذج وطرق معينة في فضاء مخفي ذي أبعاد منخفضة، ما يسهل انتقال سلوكيات معينة بين النماذج عبر محاذاة خطية. وبناءً على هذه الفرضية، تم تقديم إطار عمل جديد يُسمى "UNLOCK"، الذي يعالج مسألة استخراج اتجاه القدرة من خلال مقارنة التفعيلات بين نسخ ذات قدرات حاضرة وأخرى غائبة، مع محاذاة ذلك مع نموذج مستهدف عبر تحويل خطي من رتبة منخفضة.

تمت التجارب على سلوكيات التفكير مثل "سلسلة التفكير" (Chain-of-Thought) والتفكير الرياضي، مما أظهر تحسينات ملحوظة عبر المقاييس المختلفة للنماذج دون الحاجة لأي تدريب. على سبيل المثال، نقل سلوك "سلسلة التفكير" من نموذج Qwen1.5-14B إلى Qwen1.5-7B حقق زيادة في الدقة بلغت 12.1% في اختبار الرياضيات (MATH). كما أن النقل من اتجاه التفكير الرياضي من نموذج Qwen3-4B-Base إلى Qwen3-14B-Base أدى إلى تحسين دقة اختبار AGIEval Math من 61.1% إلى 71.3%، متجاوزًا 67.8% التي حققها النموذج المدرب بعدد 14 مليار.

تظهر التحليلات أن نجاح النقل يعتمد على القدرات التي تم تعلمها خلال مرحلة التدريب المسبق، وأن التدخل بواسطة "UNLOCK" يعزز القدرات الكامنة من خلال تحسين توزيع النواتج في اتجاه مسارات التفكير الناجحة. لذا، يُعتبر هذا البحث خطوة جديدة نحو تسهيل تطور الذكاء الاصطناعي وتطبيقاته المتعددة.

ما هي آراءكم حول هذه النظرية؟ هل تتوقعون أن تزيد من فعالية النماذج في المستقبل؟ شاركونا في التعليقات.