شهدت تقنيات الذكاء الاصطناعي تطوراً ملحوظاً في السنوات الأخيرة، مما جعلها عنصراً أساسياً في العديد من التطبيقات الحديثة. ومع ذلك، يواجه الباحثون تحديات جديدة تتعلق بكفاءة ودقة هذه النماذج. في دراسة جديدة نشرت على منصة arXiv، تم تناول موضوع "التفكير مرة أخرى أو التفكير لفترة أطول؟" من خلال تقديم استراتيجية جديدة تُعرف بالتحقق الانتقائي (Selective Verification).

تعمل هذه الاستراتيجية كطبقة تحكم توفر قرارًا حول ما إذا كان ينبغي الحفاظ على الإجابة الأولية للنموذج المجمد (frozen model) أو استدعاء عملية تحقق نشطة. تم استخدام نموذج Qwen3-4B المجمد لتسجيل نتائج التدخل وتدريب بوابات واعية لاسترجاع المعلومات.

أظهرت النتائج أن التحقق الانتقائي يمكن أن يصل بدقة إلى 76.3%، حيث يقلل من الحاجة إلى عمليات تحقق دائمة بحوالي 26.8%، ويخفض العدد الضار من الأخطاء من 2.2% إلى 1.0%. ورغم ذلك، فإن النموذج الأولي الذي يحتوي على 8192 رمزًا أظهر دقة تصل إلى 76.0% مع تقليل بنسبة 28% في إجمالي الرموز المستخدمة، مما يدل على أن الاسترجاع الانتقائي مفيد ولكنه ليس الحل الأكثر تكلفة.

عند الانتقال إلى نموذج gsm، تحقق السياسة الانتقائية فقط من 3.0% من الأمثلة، مما حسّن الدقة من 93.4% إلى 94.5% وخفض الرموز المطلوبة للتحقق بنسبة 91.2% مقارنة بالتحقق الدائم. وبالنسبة لاختبارات CommonsenseQA، فإن التحقق الدائم كان له تأثير سلبي، بينما أظهرت تقنية Self-Consistency@5 تحسنًا في الدقة مقابل تكلفة رمزية أكبر.

استنتج الباحثون أنه ينبغي التركيز أولاً على ضبط الميزانية الأولية، ثم استخدام الاسترجاع الانتقائي عند الحاجة للتحقق من الدقة أو تقليل مخاطر الانحدار. يمثل هذا النهج خطوة بارزة نحو تحسين كفاءة ونوعية عمليات اتخاذ القرار في أنظمة الذكاء الاصطناعي الحديثة.