تراجع أسلوب التناسق الذاتي: الفوائد المتناقصة والتكاليف المتزايدة في نماذج اللغات الحديثة

في عالم الذكاء الاصطناعي، حيث تتسارع وتيرة التطورات التقنية بشكل مذهل، يتناول الباحثون آخر ما توصلت إليه نماذج اللغات الضخمة (Large Language Models) والأساليب المستخدمة لتحسين أدائها. أحد هذه الأساليب هو "التناسق الذاتي" (Self-consistency)، والذي يعتمد على عينة متعددة من المسارات العقلية لاختيار الإجابة الأكثر تكرارًا. ولكن هل لا يزال هذا الأسلوب فعالًا في عصر النماذج الأكثر قوة وكفاءة؟

في دراسة حديثة تناولت نماذج Gemini 2.5، والتي تم استخدامها في تقييمات مثل HotpotQA وMATH-500، تم تحليل تأثير زيادة عدد المسارات العقلية الم sampled. النتائج كانت بمثابة جرس إنذار: التحسينات في الدقة كانت ضئيلة للغاية، حيث بلغت 0.4% في HotpotQA و1.6% في MATH-500 من خلال 20 نموذج مختلف، بينما كانت التكاليف المرتبطة بزيادة عدد العينات تتزايد بشكل شبه خطي.

تظهر النتائج أن الأداء في بعض السيناريوهات قد يت plateau مبكرًا، وفي بعض الحالات، حتى يتراجع عند زيادة عدد العينات. هذه الدلائل تشير إلى أن إضافة مسارات عقلية إضافية قد تخلق ضجيجًا بدلاً من تقديم إشارات حقيقية في الحالات التي تتمكن فيها النماذج من حل المشكلات بشكل موثوق.

مع تزايد تكاليف الاستدلال مع كبر حجم النموذج، يصبح من الصعب تبرير استخدام أسلوب التناسق الذاتي بشكل عشوائي. التوصية هي تخصيص عينة متعددة المسارات للمشكلات التي تتجاوز بوضوح موثوقية النموذج في الجولات الفردية. هل نحن حقًا بحاجة إلى تلك العينات المتعددة في زمن النموذج القوي؟

في النهاية، يبدو أن الأسلوب قد يحتاج إعادة النظر للتوافق مع الإمكانيات الحديثة للذكاء الاصطناعي وتفادي الهدر في الموارد. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.