تأتي نماذج اللغات الضخمة (Large Language Models) كأداة قوية يمكنها أداء مهام متعددة ومعقدة تتعلق بالتفكير. ومع ذلك، تظهر هناك نقطة ضعف ملحوظة تتعلق بقدرتها على إدراك ما إذا كان لديها المعرفة الكاملة اللازمة لحل المشكلات. فغالبًا ما تجد هذه النماذج نفسها تسير في مسار خاطئ، يمكّنها من تشكيل فرضية أولية بناءً على مقدمات غير مكتملة، مما ينتج عنه استنتاجات غير دقيقة أو غير مستقرة.

لتجاوز هذا التحدي، تم اقتراح إطار SABA، الذي يركز على تعزيز الإدراك الذاتي للقصور قبل اتخاذ أي قرار نهائي. يعتمد SABA على عملية تفكير متكررة، حيث يقوم أولاً بدمج المعلومات من خلال تقنية دمج المعلومات (Information Fusion) لتكوين حالة مدروسة وقابلة للتحقق. بعد ذلك، يستخدم إطار العمل أسلوب التفكير القائم على الاستفسار (Query-driven Structured Reasoning) لتحديد المقدمات المفقودة أو غير المحددة، ويقوم بتحويل هذه المحددات إلى استفسارات، مما يؤدي إلى استكمال الحالة الفكرية تدريجيًا من خلال بناء الفرضيات وتنقيح الحالات.

أظهرت نتائج تقييمات متعددة أن SABA حقق أداءً ممتازًا في جميع صعوبات نموذج الألغاز غير التفاعلية (Detective Puzzle benchmark)، مما يضمن له نتائج رائدة على العديد من المعايير العامة. تعد هذه الابتكارات خطوة هامة في تحسين كيفية تعامل نماذج الذكاء الاصطناعي مع المعلومات غير المكتملة، مما يفتح أفقًا جديدًا في عالم التفكير الآلي.