في عصر الذكاء الاصطناعي، يعد المحاكاة الدقيقة سبيلاً أساسياً لتطوير أنظمة الذكاء الاصطناعي التفاعلية وتحسينها. وكانت الأبحاث الأخيرة تتجه نحو تكنولوجيا جديدة تدعى TRACER، والتي تمثل تحولاً نوعياً في هذا المجال. يركز TRACER على نمذجة تغييرات نوايا المستخدمين، مما يعزز من مصداقية المحاكي في تقليد التفاعلات الحقيقية.

تم تصميم TRACER ليعمل عبر مرحلتين: يبدأ بمرحلة تدريب تحت إشراف على حوارات المستخدمين الحقيقية، تليها مرحلة تعلم تعزيز متعدد الأدوار. هذه النهج يجمع بين مكافآت متعددة المستويات تتعلق بالإنتاج ونتائج الحوارات، مما يقلل من الندرة في المكافآت وتوزيع الفضل في المحادثات الطويلة.

وفقًا للإحصاءات، يتفوق نموذج TRACER-7B بنسبة مذهلة تبلغ 11.4 من معدل تحويل F1 مقارنة بأفضل نموذج سابق، مما يحقق أيضًا أدنى معدل خطأ في تحويل مجموعات المستخدمين

علاوة على ذلك، قدمت الدراسة معيار التسويق الديناميكي، الذي يقيم بشكل مشترك فعالية الإقناع وجودة الاستجابة للنماذج اللغوية الكبيرة (Large Language Models) من خلال التفاعلات المحاكاة. وقد أظهرت النتائج أن جودة الاستجابة العالية قد لا تتماشى بالضرورة مع معدلات تحويل أعلى، مما يفتح مجالًا جديدًا للتحليل والتطوير في علم الذكاء الاصطناعي.