هل تعود النماذج الاستدلالية المتكررة؟ اكتشفوا أسرار تحسين الأداء وهندسة المعمارية!

في عالم الذكاء الاصطناعي، تبرز النماذج الاستدلالية المتكررة (Recursive Reasoning Models) كأداة قوية تعتمد على محول بسيط يتكرر استخدامه عدة مرات لتحسين حالة خفية. مما يمنحها عمقًا كبيرًا وفعالية عالية مع عدد قليل من المعلمات، مما يجعلها مناسبة تمامًا لحل مشاكل الخوارزميات.

ومع ذلك، فإن النماذج الحالية مثل HRM وTRM وURM تختلف فيما بينها في الهيكل وهندسة التدريب، مما يسبب صعوبة في تحديد ما الذي يؤثر على أدائها.

تتناول الدراسة الجديدة هذه الفجوات، حيث تمت دراسة الأسئلة تحت دائرة تجريبية موحدة تشمل ستة مجالات خوارزمية. وتم إجراء تدريبات إضافية للتحكم في التأثيرات في مجالات تمثيلية، بينما تم تقييم الوصفة الناتجة عبر كامل السلسلة.

توصلت الدراسة إلى وصفة بسيطة ولكن فعالة لتكون النماذج الاستدلالية المتكررة مستقرة وقابلة للتعميم، والتي تشمل تحقيق أفق تدرج متوسط، واستخدام دفعات كبيرة من البيانات، وتحديث متحكم في الحالة المتكررة. كما أظهرت أنه ليس من الضروري وجود بنية هرمية صريحة.

من خلال دمج هذه النتائج، تم تصميم نموذج مكون من 13.6 مليون معلمة، والذي حقق أعلى أداء ضمن النماذج المتكررة التي تم تقييمها. وقد أدت هذه التغييرات إلى زيادة دقة الخوارزمية OOD إلى 71.2%، بالمقارنة مع 36.2% لأقوى نموذج سابق، مع الوصول أيضًا إلى نسبة 98.41% في لعبة سودوكو و59.5% في اختبار ARC-AGI-1.

تظهر هذه النتائج بوضوح أن الأداء ضمن الهياكل الاستدلالية المتكررة يعتمد بشكل كبير على كيفية تحسين واستقرار التكرار. كما تشير إلى كيفية تحسين أنظمة الذكاء الاصطناعي من خلال تحسين مكوناتها بشكل تدريجي.