في عالم نماذج اللغة الكبيرة (Large Language Models)، تشهد هذه الأنظمة تقدمًا ملحوظًا في معالجة المشكلات الرياضية المعقدة، لكن غالبًا ما تنتج مسارات تفكير طويلة ومتكررة أو حتى أخطاء في النتائج. في هذا السياق، نكشف النقاب عن إطار جديد للتحليل يسمى SLIDER، الذي يتيح تقييم جودة عملية التفكير.

يعتمد SLIDER على نظرية المعلومات، وبالتحديد تقنية تعرف بتفكيك المعلومات الجزئية (Partial Information Decomposition). هذه التقنية تسمح لنا بفصل المعلومات المتعلقة بالإجابة النهائية عبر خطوات التفكير المتعاقبة إلى مكونات غير سالبة: معلومات فريدة، معلومات زائدة، ومعلومات تآزرية. بناءً على هذا التفكيك، نقدم مؤشر *Step-wise Repetitive Reasoning Index (Step-RRI)*، وهو مقياس متين يقيم مدى ارتباط المعلومات في الخطوة الحالية بمعلومات الخطوات الماضية.

لقد أظهرت الأبحاث أن استخدام *Step-RRI* يحسن دقة تحديد التكرار بمعدل يزيد عن 10 نقاط مقارنة بأسس مشابهة. كما نقدم مقياسًا مجمعًا تحت اسم *Trajectory-RRI*، الذي يقيم تكرارية مسار التفكير الفردي، والذي يتضح أنه يرتبط ارتباطًا وثيقًا بطول التفكير الفعلي عبر نماذج مثل QwQ-32B وGPT-4.1.

وفي خطوة أخرى نحو تحسين كفاءة نماذج التفكير، يظهر استخدام *Trajectory-RRI* في اختيار البيانات للتدريب كجانب فعال يحافظ على أداء المهمة بينما يعزز كفاءة التفكير. أمام هذا التطور، نرى أن هذا الإطار الجديد يسهم بشكل كبير في تحسين فهمنا لنماذج التفكير الكبيرة ويحدد لهجة جديدة في مجال الذكاء الاصطناعي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!