في خطوةٍ نحو تحسين تقنيات الذكاء الاصطناعي، يقدم فريق من الباحثين مفهومًا ثوريًا يحمل اسم RePoT (Recoverable Program-of-Thought). يعتمد هذا النظام على فكرة إعادة تشغيل البرنامج من نقطة معينة، مما يسمح له بالتعامل مع الأخطاء بشكل أكثر فعالية.

تتمثل الفكرة الأساسية في أن برنامج التفكير (PoT) التقليدي يقوم بإصدار برنامج بلغة بايثون يقوم بتوليد خطة عمل بدائية. لكن إذا واجه البرنامج أي إجراء غير صالح، فإن ذلك يعني التوقف المؤقت للصورة الكلية. وهنا يأتي دور RePoT الذي يعتمد على تجديد النظام ليقوم بإعادة اختبار الخطة من خلال البيئة المستهدفة حتى الوصول إلى أول انتقال غير صالح. بعد ذلك، يتم استخدام استدعاء واحد لنموذج لغوي ضخم (LLM) لاستئناف التنفيذ من النقطة المؤكدة.

تشير الدراسات إلى أن RePoT يتميز بأداء أفضل بكثير مقارنةً بالنموذج التقليدي، حيث يسجل انتصارات تتراوح ما بين 3 إلى 11 نقطة مئوية عبر أربعة تكوينات مغلقة على مجموعة PuzzleZoo-775. كما أن الأداء يصل إلى 96.9% مقارنةً بـ 86.3% على نموذج GPT-5.4-mini-medium.

المثير في الأمر، أن RePoT يمكّن من القيام بعملية استرداد التحكم بشكل أكثر ذكاءً، حيث يمكن للنظام أن يتعرف على الأخطاء ويقوم بالتحسين الذاتي لمعدل دقة الأداء. يظهر هذا التأثير القوي على عدة نماذج لغوية، حيث تُظهر النتائج الأخيرة في Benchmark PlanBench Blocksworld تحسنًا في الأداء يتراوح بين 1.1 إلى 11.4 نقطة مئوية.

بفضل إتاحة البيانات وحالة النقطة المرجعية للنجاح، أصبحت الإمكانيات الجديدة لهذه التكنولوجيا أمراً مثيرًا للفضول. كيف يمكن لهذه التقنيات أن تعيد تشكيل مستقبل الذكاء الاصطناعي؟