في السنوات الماضية، شهدت نماذج التفكير اللغوي (Language Reasoning Models) تطورات كبيرة بفضل التقنيات المتقدمة في التدريب والاستنتاج. ومع ذلك، أظهرت الدراسات أن هذه النماذج لا تزال تعاني من مشكلة الكفاءة، حيث تقوم بإنتاج خطوات تحقق وتفكير زائدة عن الحاجة. لمواجهة هذا التحدي، تم تقديم إطار العمل الجديد المعروف باسم Step-Tagging، وهو مصنف جمل خفيف الوزن يتيح التوصيف في الوقت الفعلي لنوع خطوات التفكير التي تولدها هذه النماذج.

تستخدم هذه الأداة الجديدة تصنيفًا مبتكرًا يُعرف باسم ReasonType، يهدف إلى تنظيم خطوات التفكير. من خلال هذا الإطار، تمكنا من توفير مراقبة فورية لعدد الخطوات المحددة، مما يمكن من وضع معايير توقف مبكرة قابلة للتفسير لاستنتاجات نماذج التفكير اللغوي.

تم تقييم إطار العمل Step-Tagging على ثلاثة نماذج مفتوحة المصدر، عبر مجموعة بيانات قياسية مثل MATH500 وGSM8K وAIME، بالإضافة إلى مهام غير رياضية مثل GPQA وMMLU-Pro. وقد أظهرنا نتائج مثيرة حيث تحققنا من تقليل عدد الرموز بين 20% إلى 50% مع الحفاظ على دقة مماثلة للج生成 القياسية، وأظهرت أكبر المكاسب في المهام الأكثر تعقيدًا.

يمثل هذا العمل خطوة جديدة نحو تعزيز التحكم في التقنيات الحديثة لنماذج التفكير اللغوي، ويعد أداة مثيرة لدراسة سلوكيات هذه النماذج. هل تراها بداية جديدة نحو أبحاث أكثر تطوراً في الذكاء الاصطناعي؟