تشهد أبحاث الذكاء الاصطناعي تقدماً مذهلاً في مجالات متعددة، ويبدو أن نماذج الانتشار، مثل نماذج الانتشار المحجوبة (Masked Diffusion Models)، تخطو خطوات كبيرة نحو تحسين الأداء. ومع ذلك، لا تزال هذه الأنظمة تعاني من تحديات كبيرة مرتبطة بترتيب التعبئة (slot filling order) الذي يؤثر بشكل كبير على دقة نتائجها. في هذه المقالة، نقدم إطار McDiffuSE، الذي يركز على تحسين عملية اختيار الفتحات من خلال دمج تقنية مونت كارلو شجرة البحث (Monte Carlo Tree Search).

يعمل هذا الإطار على تقييم الخيارات الجزئية قبل اتخاذ أي التزام، ويستكشف النظام فضاء التوليد بشكل منهجي. لقد أظهرت التجارب أن McDiffuSE تحقق تحسيناً متوسطاً بنسبة 3.2% مقارنة بالطرق التقليدية، و8.0% مقارنة بأساليب الخطة والتعبئة الأساسية، مع تحقيق مكاسب مثيرة تصل إلى 19.5% على مجموعة بيانات MBPP و4.9% على مجموعة MATH500.

يطرح هذا البحث أيضاً تحديات مثيرة لفهم كيفية تعزيز الأداء، حيث أظهرت التحليلات أن الترتيب المتسلسل هو الأكثر استخداماً، ولكن إدراج التوليد غير المتسلسل يعد ضرورياً لزيادة الأداء. ادعت الدراسة أن الخوارزميات المكثفة من الاستكشاف، بدلاً من زيادة المحاكاة، تقدم حلاً فعالاً للتغلب على انحيازات ثقة النموذج. وكل هذه النتائج تؤكد على أهمية التخطيط القائم على مونت كارلو كوسيلة فعالة لتحسين جودة التوليد في نماذج الذكاء الاصطناعي.