في عالم الذكاء الاصطناعي، تسعى الفرق البحثية دائمًا لتطوير استراتيجيات مبتكرة لتحسين أداء الوكلاء الذكيين خلال التفاعلات المعقدة. واحدة من هذه الاستراتيجيات هي "التوجيه المحسن المتوافق مع الحالة" (State-Matched Routing) و"النبذ الذاتي السياقي" (Contextualized Self-Distillation).

تعتمد تقنية النبذ الذاتي المحسنة على إعداد مدرب مُراقب يمكنه إعادة تقييم استجابة الوكيل في كل جولة باستخدام مراجع تدريبية خاصة، مثل المسارات الناجحة. ومع ذلك، المشكلة تكمن في أن أفعال الوكيل السابقة تؤثر بشكل مستمر على حالة التنفيذ الحالية، مما يجعل المراجع أداة غير موثوقة في بعض الأحيان.

تسعى هذه الاستراتيجية إلى حل مشكلة عدم التوافق بين الحالة المرجعية وحالة الوكيل الحالي من خلال التأكد من أن الإرشادات المتميزة تتناسب مع حالة التنفيذ الحالية للوكيل. حيث يتم تطبيق عملية النبذ الذاتي فقط في الحالات المتوافقة، مما يؤدي إلى تحسين كبير في أداء الوكلاء.

أظهرت نتائج الاختبارات أن هذه الاستراتيجية عززت نجاح المهام إلى أرقام مذهلة تصل إلى 0.865 في بيئة ALFWorld و0.693 في بيئة WebShop. تتيح هذه الطريقة الجديدة للباحثين تحسين أداء الذكاء الاصطناعي بطرق مبتكرة تقوم على فهم أعمق للسياقات المتغيرة.

للمزيد من التفاصيل ولتحميل الكود المستخدم، يمكنكم زيارة موقع GitHub.