في عصر الذكاء الاصطناعي المتقدم، تزايد استخدام نظم الخبراء المتعددة حيث تتعاون نماذج اللغات الضخمة (Large Language Models - LLMs) لحل المهام المعقدة. لكن، تبقى سياسات التنسيق التي تحكم تفاعل هؤلاء الخبراء وتسلسلهم مغمورة في الغموض. في هذا الإطار، تم تقديم تحليل التفسير الجديد المعروف باسم 'INFORM'، والذي يعتبر التنسيق كعملية تحليلية واضحة، مما يسمح بفصل هيكل تفاعل الخبراء وترتيب التنفيذ.

تستخدم INFORM لتقييم المنظمات على مجموعات بيانات مثل GSM8K وHumanEval وMMLU، عبر مجموعة متجانسة من عشرة خبراء تم تدريبهم على التعليمات من نماذج LLaMA-3.1 8B وQwen3 8B وDeepSeek-R1 8B. النتائج تظهر أن الهيمنة في توجيه الخبراء ليست مؤشراً جيداً على الضرورة الوظيفية، إذ يكشف البحث عن تباين بين الأهمية النسبية، التي تمثلها كتل التوجيه وهيكل التفاعل، والأهمية الجوهرية، التي تُقاس من خلال حساسية التدرج.

بالإضافة إلى ذلك، أظهرت النتائج أن الخبراء الذين يُختارون بشكل متكرر غالباً ما يعملون كنقاط تفاعل مع تأثير محدود، بينما يمكن أن يكون للخبراء القليلين المختارين أهمية هيكلية حاسمة. يظهر سلوك التنسيق بصورة غير متزامنة، مع تركز الخبراء قبل الثقة المستقرة في التوجيه وترتيب الخبراء الذي يبقى غير محدد. تكشف عمليات الإقصاء المستهدفة أن الإخفاء من الخبراء المهمين بشكل جوهري يتسبب في انهيار غير متناسب في هيكل التفاعل، مقارنة بإخفاء الأقران المتكررين، مما يؤكد أن INFORM يكشف عن الاعتماديات الوظيفية والهيكلية بعيداً عن مقاييس الدقة فقط.

يمكنكم الاطلاع على الكود البرمجي المتاح هنا.