أصبح التعزيز الذاتي (Self-consistency) تقنية رائجة في تحسين قدرات نماذج اللغات الضخمة (Large Language Models)، حيث تعتمد هذه التقنية على توليد مسارات تفكير متعددة وحساب الإجابة النهائية من خلال تصويت الأغلبية. ومع ذلك، تعاني نماذج اللغات اليوم من تحفيز مالي غير سليم، حيث تقوم شركات النماذج بفرض رسوم على المستخدمين بناءً على عدد مسارات التفكير المولدة. لذا، قد يتجه مقدمو الخدمات إلى زيادة عدد هذه المسارات بشكل مصطنع.

في هذه الدراسة، نقدم خوارزمية بسيطة وفعالة تمكّن مقدمي الخدمة غير الأمناء من استغلال هذا الدافع المالي، عن طريق توليد وإعادة ترتيب إضافي للمسارات بشكل استراتيجي، مما يجعل كل مسار يبدو ضرورياً للوصول إلى الإجابة الناتجة. لقد أجرينا تجارب على عدة نماذج إرشادية من عائلتي Llama وQwen، بالإضافة إلى نماذج تفكير مستخلصة من DeepSeek-R1، باستخدام مجموعات بيانات مرجعية في مجالات الرياضيات والعلوم والإجابة على الأسئلة.

أظهرت النتائج أن توزيع المسارات التفسيرية الإضافية المُولدة بواسطة خوارزميتنا يميل إلى أن يكون ذو ذيل ثقيل، مما يعني أن هناك قدرة كبيرة على فرض رسوم إضافية حتى في إطار أفضل تدقيق مصمم للحفاظ على معدل الإيجابية الكاذبة أقل من 0.1%.

يتضح من هذا البحث أهمية فهم تقنيات التعزيز الذاتي والاستراتيجيات المالية المرتبطة بها لصناعة نماذج اللغات الضخمة، مما يفتح المجال أمام نقاشات أوسع حول الأخلاقيات والممارسات الجيدة في هذا المجال.