في عالم الذكاء الاصطناعي، لا تزال نماذج اللغة (Language Models) تحتل مركز الصدارة في استخدامها في المهام متعددة الخطوات. ومع ذلك، أثبتت الأبحاث الأخيرة أن الاعتماد على الاستدلال قد يضاعف تكلفة المخرجات بنحو 3-6 مرات. كيف يمكن التغلب على هذه المشكلة؟
تُظهر الدراسات أن تكاليف الاستدلال المتكررة يمكن تقليلها عن طريق استخدام وكيل برمجي (Coding Agent) يقوم بتحليل مجموعة صغيرة من المسارات الحالية (Existing Trajectories) من مجموعة تدريب، ويقوم بإنشاء مهارة طبيعية مركزة يتم تضمينها في توجيه النظام الخاص بالنموذج غير القائم على الاستدلال.
من خلال تجارب متعددة على أربعة مؤشرات أداء (Benchmarks) - بدءًا من ALFWorld، وtau²-bench في مجالي الاتصالات والتجزئة، وصولاً إلى SpreadsheetBench-Verified - تمكّنت المهارات التي تم تطويرها من استعادة ما يتراوح بين 55% إلى أكثر من 100% من فجوة الاستدلال للنموذج GPT-5.4-mini في المهام المحجوزة.
الأمر المثير هو أن تتبع الاستدلال ليس شرطًا مسبقًا: المهارات المستنبطة من مسارات غير قائمة على الاستدلال تظل تنافسية مع تلك المستنبطة من مجموعات مزدوجة (paired corpora) من الاستدلال وغير الاستدلال. يمكن تفسير هذه النتائج من خلال عدسة البحث: الاستدلال في وقت الاختبار يمثل بحثًا عميقًا داخل حلقة واحدة، بينما التقطير (Distillation) يتمتع ببحث واسع عبر الحلقات، مما يعني أن التكلفة تُدفع مرة واحدة فقط. يمكن أن يوفر هذا تحسينات ملحوظة في الأداء مع تقليل تكاليف الموارد المستخدمة.
الجديد في الذكاء الاصطناعي: كيف يمكن تبسيط مهارات النمذجة لتعزيز الأداء؟
تقدم نماذج اللغات القادرة على الاستدلال نتائج متفوقة، ولكن بتكلفة عالية. ابحثوا معنا في كيفية تقليل هذه التكلفة عبر تحسين المهارات واستخدام استراتيجيات ذكية.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...