في عالم الذكاء الاصطناعي، تلعب نماذج اللغة (Language Models) دورًا حيويًا في حل المشكلات. من خلال عملية التفكير النقدي، يتمكن الأفراد من التعامل مع القضايا المعقدة بذكاء. ومع ذلك، معظم نماذج اللغة الحالية تعالج التفكير والتحقق كعمليتين منفصلتين، مما يؤدي إلى نقص كبير في ردود الفعل الفورية ويعقد التعلم المتزامن.

تأتي تقنية "Stepwise Think-Critique (STC)" كحل مبتكر. يعتمد هذا الإطار القابل للتدريب على نموذج واحد من نماذج اللغة، حيث يُخرج نصائح نقدية منظمة في كل خطوة من خطوات التفكير. يتم تدريب STC باستخدام التعلم المعزز، الذي يجمع بين مكافآت التفكير وموثوقية التقييم الذاتي بناءً على صحة الإجابات النهائية.

تظهر النتائج على خمسة معايير رياضية أن STC حسّن الأداء بنسبة 7.2% مقارنة بالنموذج الأساسي الذي يحتوي على 1.5 مليار متغير. كما حقق النموذج معدل F1 للتقييم الذاتي يبلغ 67.4%، متفوقًا على العديد من نماذج المكافآت الخارجية، مما يُبرز خطى سريعة نحو نماذج لغة تدمج التفكير النقدي بشكل فعال.

بهذا، لا تتردد في التفكير في كيف يمكن لهذه التطورات في تشغيل نماذج الذكاء الاصطناعي أن تؤثر على المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!