في عالم الذكاء الاصطناعي، لا يتوقف الجدل حول فعالية النماذج اللغوية الكبيرة (Large Language Models) عند مدى قدرتها على توليد النصوص، بل يمتد ليتناول ما إذا كانت هذه النماذج تقوم بتفكير حقيقي خلف الكواليس أم أنها مجرد جملة طويلة تعبر عن حيرة.

رغم أن الدراسات الأخيرة حول تحليل حالات الخفاء (Hidden States) توحي بأن تلك الحالات تحمل إشارات تشير إلى الصواب، فإن التراكيب العامة قد تحجب التفاصيل الدقيقة للشفرات والطبقات الكامنة وراء عمليات التفكير. في هذا السياق، قدم الباحثون استقصاءً عميقاً حول انتقال حالات الخفاء عبر مراحل فك الشيفرة وطبقات النماذج.

كشف البحث عن نمط زمني ومكاني (Spatiotemporal Pattern) فريد في هذه النماذج: فمسارات النجاح تظهر ديناميكيات زمنية واسعة مع تركيز موضعي في الطبقات، بينما يكون هذا التركيب أضعف في النماذج غير القادرة على التفكير وفي المجالات المحتاجة لمعلومات وفيرة. تمت صياغة هذه الخصائص الجديدة في مفهوم يدعى سعة الانتقال الزمكاني الكامنة (Spatiotemporal Amplitude of Latent Transition - StALT)، وهو مقياس مستقل عن التدريب يعكس التغيرات الزمنية بين الرموز المجاورة، مع التركيز على أهمية الطبقات.

من خلال مجموعة من النماذج ومعايير التقييم، أثبتت S-ALT قدرتها على تمييز المسارات الصحيحة من غير الصحيحة، مشيرةً إلى تلقيها إشارات قوية حول دقة النتائج، وبذلك تكون مصدرًا مهمًا لفهم العمليات الداخلية لهذه النماذج بعيدًا عن التقويم القائم على النتائج. كما أظهرت تحليلات التدخل أن هذه السعة الزمكانية تستجيب بشكل منهجي للتغييرات التي تطرأ على متطلبات التفكير الداخلي.

هذه الاكتشافات تقدم دليلاً تجريبيًا يسلط الضوء على الديناميكيات المخفية للنماذج اللغوية الكبيرة، مما يفتح الأبواب لفهم أعمق لحالات التفكير الكامنة واستكشاف فعاليتها بشكل أكبر في التطبيقات العملية.