تعتبر نماذج التفكير المعتمدة على اللغة الكبيرة (Large Language Models) من أهم الابتكارات في عالم الذكاء الاصطناعي، لكن تحليل وتتبع عمليات تفكيرها كان حتى الآن تحدياً كبيراً.

مؤخراً، تم تقديم طريقة جديدة تُعرف بـ ReasonOps، وهي تقنية غير مُراقَبة تهدف إلى تحليل السلاسل الزمنية لتفكير النماذج بشكل أكثر كفاءة. تركز ReasonOps على تطوير مشغلين عالميين، تمكنت من تحليل أكثر من 44,662 سلسلة من 12 نموذج تفكير مما يُظهر أن هناك بنية تركيبية شائعة بين هذه النماذج.

تُظهر نتائج ReasonOps كيفية تكرر سبعة مشغلين للتفكير، مثل العودة إلى الوراء واستنتاج الأفكار، والذين تم تحديدهم من خلال تحليل غير خاضع للإشراف. هذه المشغلين تتواجد في جميع نماذج التفكير مع دقة تصنيف تصل إلى 76%.

ومن المثير للاهتمام أن البحث كشف كيف أن هذه المشغلين تعزز الأداء في مشاكل صعبة بينما قد تؤثر سلباً على المشاكل السهلة. كما أن وفرة المعطيات حول توزيع المشغلين ساعدت في تصنيف النماذج بشكل فعال، مما يُظهر أن لكل نموذج بصمة تفكير مميزة.

يحتوي ReasonOps كذلك على القدرة على تقدير الجودة مبكراً حتى قبل انتهاء سلسلة التفكير، مما يعزز من فعالية استخدام نماذج الذكاء الاصطناعي في التطبيقات المستقبلية.