في عالم الذكاء الاصطناعي، تقدم نماذج التفكير الكبيرة (Large Reasoning Models - LRMs) أداءً متفوقًا مقارنة بنماذج اللغات الضخمة (Large Language Models - LLMs) في مواجهة التحديات العقلانية المعقدة. لكن حتى اليوم، لا يزال هناك غموض حول كيفية تقليص الفجوة بين هذه النماذج. في دراسة حديثة، قام الباحثون باستكشاف الفجوة بين نماذج الأساس ونماذج التفكير القوي من خلال قياس عدم التوافق بين الرموز على مستوى الرموز.

تظهر النتائج أنه في الاختبارات المختلفة، تتركز الميزة المتعلقة بالتفكير في مجموعة صغيرة من الرموز المتعلقة بالتخطيط في مراحل مبكرة من الاستجابة. على سبيل المثال، على نموذج Qwen3-0.6B، تشكل حوالي 8% فقط من الرموز المولدة مصدر عدم التوافق البارز. هذه الرموز، التي تعتبر حاسمة، ترتبط بقرارات التخطيط وتظهر مستوى عالٍ من عدم اليقين لدى نماذج الأساس. مما يشير إلى أن نماذج الأساس تفتقر إلى الأداء الفعال في مراحل التخطيط المبكرة التي توجه المسار المعقد للتفكير.

استنادًا إلى هذه النتائج، اقترح الباحثون أسلوبًا يُعرف بتدخل الرموز الموجهة (Disagreement-Guided Token Intervention)، وهو آلية بسيطة تستخدم في وقت الاستدلال. يتم تنفيذ هذا الأسلوب من خلال استبدال الرمز من نموذج التفكير فقط في المواقع ذات عدم التوافق العالي، ثم العودة بشكل فوري إلى نموذج الأساس. من خلال ميزانية تدخل صغيرة، تحقق هذه الآلية تحسنًا ملحوظًا وقد تتجاوز أداء نموذج التفكير بحجم مشابه في المهام العقلانية الصعبة.

لمعرفة المزيد عن هذه الاستراتيجية المبتكرة وكيف يمكن أن تحدث فرقًا كبيرًا في عالم الذكاء الاصطناعي، يمكنكم زيارة [الرابط].