في عالم الذكاء الاصطناعي، تعد النماذج اللغوية الكبيرة (Large Language Models) من الأدوات القوية التي تسهم في معالجة وتحليل المعلومات. ومع ذلك، تواجه هذه النماذج ما يعرف بـ"انهيار الاستدلال" عند التعامل مع مهام رياضية معقدة، حيث تؤدي عمليات السحب العشوائي إلى إنتاج تنوعات لغوية خاطئة لنفس المنطق بدلاً من استكشافات دلالية حقيقية.

لقد تم ملاحظة أن أسباب الفشل في الاستدلال غالباً ما ترتبط بتأثير منخفض المرتبة في هندسة الحالات المخفية للنموذج، مما يؤدي إلى تقليل الاستكشاف نحو اتجاهات الحلول التصحيحية. لمواجهة هذا التحدي، تم اقتراح تقنية جديدة تُدعى "الاستكشاف الطيفي المتعامد" (Spectral Orthogonal Exploration) في إطار تعليمي يُعرف باسم "الطالب يرشد المعلم" (Student Guides Teacher).

بدلاً من الاستفادة من وكيل مساعد ضعيف في عملية المحاكاة، تستخدم هذه التقنية الوكيل كأداة متعامدة لتقديم إشارات استدلالية دلالية متنوعة إلى المنظومة الفرعية للمعلم. هذه التدخلات تمنح المعلم القدرة على استكشاف مسارات استدلال متنوعة وتحسين فعالية استكشافه أكثر من الأساليب التقليدية.

أظهرت التجارب على المعايير الرياضية أن تقنية الاستكشاف الطيفي المتعامد حسّنت من دقة النماذج بنسبة 62.4% وكفاءة السحب بنسبة 113.7% مقارنة بالطرق التقليدية، مما يدل على أن التدخلات الهندسية يمكن أن تكون فعالة في تخفيف انهيار الاستدلال.

علاوة على ذلك، تقدم النتائج الأولية دليلاً على أن هذه التقنية فعالة أيضًا في معايير المنطق وتوليد الأكواد، مما يفتح آفاق جديدة للبحث والتطوير في مجال الذكاء الاصطناعي.