تعتبر وكلاء الألعاب المعتمدة على نماذج اللغات الضخمة (LLMs) من أهم التطورات في مجال الذكاء الاصطناعي، لكنهم غالباً ما يُواجهون صعوبات في أداء المهام المعقدة. في دراسة جديدة، تم تسليط الضوء على كيف أن ضعف التفكير المكاني قد يؤثر سلباً على نجاح هذه الوكلاء في الألعاب. لذا، قام الباحثون بمدى التجارب لفحص تأثير استخدام تحسينات السياق السببي (causal prompt augmentation) والتخطيط متعدد الخطوات (multi-step planning) على معدلات الفوز.

استخدم الباحثون نماذج مفتوحة المصدر من عائلة Qwen3 لإجراء التجارب عبر مقاييس نماذج مختلفة، أساليب تفكير متعددة، وآفاق تخطيط متنوعة. ضمن هذه التجارب، تم تقديم معيار GVGAI يركز على ثلاثة ألعاب مخصصة بمستويات صعوبة مختلفة لعزل مسائل التنقل المكاني.

لقد أظهرت النتائج أن النماذج الأكبر، عندما يتم تفعيل وضع التفكير، تستطيع تحديد مواقعها بدقة أكبر، لكن أداء النماذج الأصغر في المطابقة بين الإحداثيات لا يزال محدوداً. كما تراجعت نسب الفوز مع زيادة مستوى تعقيد اللعبة وتصميمها، مما يؤكد صعوبة المعيار الجديد.

تكامل السياق السببي في العروض يعزز عادةً من نسب نجاح الوكلاء، وخاصة في النماذج الأكبر. ومع ذلك، فإن تفعيل وضع التفكير ومدد التخطيط الأطول قد حسّن الأداء بشكل كبير، حيث ساعد التخطيط متعدد الخطوات في تقليل متوسط أوقات الاستجابة، مما يوفر توازناً عملياً بين عمق التفكير وسرعة التنفيذ.

يبقى السؤال المهم، كيف يمكن تطبيق هذه الاكتشافات على الألعاب المستقبلية؟ ما هي التحديات الجديدة التي قد تواجهها وكلاء الذكاء الاصطناعي في مواجهة ألعاب المستقبل؟ شاركونا أفكاركم في التعليقات!