في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الضخمة (Large Language Models) متعددة العوامل من الأدوات الأساسية لتحسين التفاعلات البشرية الآلية. ولكن، يُعاني الممارسون عند اختيار أنماط التواصل المختلفة، مثل الأنماط السلسلية (Chain) أو النجمية (Star) أو الشبكية (Mesh)، في غياب أي مقياس مسبق للتأكد من أي نمط سيكون الأكثر فعالية.

في بحث جديد، تم تقديم نهج مهيكل لتشخيص الرسوم البيانية للتواصل بين نماذج اللغة الضخمة، من خلال استخدام تمثيل الخلفاء (Successor Representation) الذي يعتمد على مشغل الاتصال المدروس. هذا النهج يتضمن ثلاثة معايير طيفية مختلفة، وهي: الجذر الطيفي (Spectral Radius)، الفجوة الطيفية (Spectral Gap)، ورقم الحالة (Condition Number)، والتي ترتبط بأنماط فشل محددة.

تم استخلاص الطيف المغلق للأنماط السلسلية والنجمية والشبكية باستخدام تطبيع الصف العشوائي، وتمت مصادقة التوقعات في مهمة تتبع الحالة المنظمة على مدى 12 خطوة باستخدام نموذج Qwen2.5-7B-Instruct عبر 100 تجربة مستقلة. يُعتبر رقم الحالة مؤشراً مثالياً على قوة التكيف مع الاضطرابات، بينما الجزء الطيفي يتنبأ جزئياً بديناميات التوافق.

هذا البحث يمثل خطوة أولى نحو تحسين التشخيصات الهيكلية المدركة للانجراف في أنظمة نماذج اللغة الضخمة متعددة العوامل، إلى جانب النظريات الطيفية التقليدية.

ماذا تعتقد في هذه التطورات المبهرة في تكنولوجيا الذكاء الاصطناعي؟ شارك آراءك في التعليقات!