في عالم الذكاء الاصطناعي، يتطلب تحسين كفاءة النماذج الذكية طرقًا مبتكرة فريدة. وقد كشفت دراسة جديدة عبر منصة arXiv النقاب عن تقنية تدعى تدفق المخفي المميز (Privileged Hidden Flow - PHF) التي تعد قفزة نوعية في مجال التعلم الذاتي. تتمثل الفكرة الأساسية وراء PHF في تدريب نموذج استدلالي باستخدام سجلات اختيرت بناءً على سياساته الخاصة، مع الاعتماد على معلم متميز يمتلك القدرة على الاطلاع على حلول موثوقة.

تتجاوز الأهداف الحالية لتعلم الذات التقليدي مجرد مراقبة توزيع النواتج، حيث تركز PHF على كيفية انتقال الحالات الخفية للمعلم بين تلك السجلات. بدلاً من إلزام كل متعلم بمطابقة حالة المعلم عند نفس موضع الرمز، يعمل PHF على محاذاة اتجاهات انتقال الرموز وهيكل المسار على نقاط معينة تم إنتاجها. هذه الطريقة المبتكرة لا تعتمد على تقليد الحالة الخفية نقطة بنقطة، بل تستفيد من علاقات الطبقات المتجاورة المحسوبة من هذه التحولات.

تحت نظام تدريب مكون من 100 خطوة، حققت PHF تحسينات ملحوظة في الأداء، حيث زادت النتائج على نماذج Qwen3-1.7B و4B و8B بما يقدر بـ +2.2، +1.5، و +1.7 نقطة، على التوالي، مما يثبت فاعليتها في تعزيز التعلم الذاتي.

باختصار، يمثل PHF امتدادًا مضغوطًا لتقنية التعلم الذاتي ويشكّل أساسًا لبناء نماذج أكثر كفاءة. فما هو رأيكم في هذه الطريقة الجديدة؟ شاركونا آراءكم في التعليقات!