في عالم الذكاء الاصطناعي الحديث، يتزايد التركيز على فعالية اختيار النماذج التوليدية (Generative Models) خصوصاً مع تزايد كلفة العينة من النماذج غير المثلى. يُعتبر هذا الاختيار بمثابة مهمة متعددة الأذرع (Multi-Armed Bandit). في إطار تقييمات تركز على التنوع، يمكن لمزيج غير متجانس من المولدات أن يتفوق على أي نموذج فردي، مما يميز هذا السياق عن الأساليب التقليدية لتحديد أفضل ذراع.

في المحاولات السابقة، تم دمج ميزة Upper Confidence Bound (UCB) في هدف المزيج، ولكن من خلال تحليل عدة مجموعات بيانات ومعايير تقييم، لوحظ أن إدراج UCB يؤدي دائماً إلى إبطاء التقارب وتقليل كفاءة العينة. على النقيض، أظهرت استراتيجية Mixture-Greedy البسيطة، التي تفتقر إلى التفاؤل الصريح المرتبط بـ UCB، سرعة أكبر في التقارب وتحقيق أداء أفضل، خاصة مع مقاييس شهيرة مثل FID وVendi، حيث يصعب إنشاء حدود موثوقة دقيقة.

نقدم نظرة نظرية تشرح هذا السلوك: تحت ظروف هيكلية معينة، تؤدي الأهداف التي تركز على التنوع إلى استكشاف ضمني، مما يدفع إلى دعم المزيجات الداخلية، مما يؤدي إلى أخذ عينات من جميع الأذرع وضمانات من التراجع تحت المستوى الخطي لأهداف التنوع، مما يوحي بأن الاستكشاف يمكن أن يحدث بشكل ذاتي من خلال هندسة الهدف. هذه النتائج تعزز فهمنا لكيفية تأثير استراتيجيات الانتقاء في نماذج الذكاء الاصطناعي وتعزز من قناعاتنا حول أهمية الابتكار في هذا المجال.