في عالم الذكاء الاصطناعي، يُعتبر تحسين القدرات المنطقية في نماذج اللغة الكبيرة (LLMs) أحد أكبر التحديات. ومع ذلك، أثبتت تقنية جديدة تُعرف بتصفية البحث الذاتي (Self-Play Search Distillation - SPSD) كفاءة كبيرة في هذا المجال.

تسعى SPSD إلى تخفيف نقص البيانات الجودة الذي يواجه غالبية النماذج الحالية، حيث يعتمد هذا النقص في العديد من الحالات على انخفاض جودة البيانات الاصطناعية أو تكاليف التعليق البشري.

تعتمد SPSD على شبكات مشابهة لـ MuZero، المدربة على ألعاب اللوح، لتحويل البحث إلى مشكلات تفكير منظمة. في كل مرحلة من مراحل اللعب، يقوم الخبير بتحديد القرار المفضل والخيارات البديلة المحتملة، بالإضافة إلى ردود الفعل الممكنة من المنافس وتقديرات القيمة.

يتم تحويل سجلات البحث الذاتي هذه إلى سلاسل من التفكير الفائق، مما يُتيح تدريب نماذج اللغة الكبيرة (LLMs) تحت إشراف مُعتمد على البيئة.

حتى وإن كانت التدريب مقتصرًا على سجلات البحث الذاتي، أظهرت SPSD قدرتها على الانتقال إلى مجالات جديدة مثل الرياضيات. على نموذج Qwen3-4B-Base، تم رفع متوسط الأداء في ستة معايير رياضية من 24.1 إلى 36.6، بينما زادت نسبة الفوز في الألعاب المحجوزة من 15% إلى 45%.

إن SPSD توفر وسيلة فعّالة لجمع البيانات الاصطناعية عالية الجودة، مما سيعزز من أداء نماذج اللغة الكبيرة في مهام التفكير المنطقي.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي وكيف يمكن أن تُحدث تقنيات مثل SPSD تغييرات جذرية في هذا المجال، فإننا نتابع معكم أحدث التطورات.