ثورة جديدة في معالجة الجداول: نظام مكافآت حالات الجدول الحتمي

في عالم الذكاء الاصطناعي، يصبح استثمار الوقت في معالجة البيانات أمرًا ذا أهمية قصوى، خصوصًا عندما يتعلق الأمر بالجداول المهيكلة. تعاني نماذج اللغات الضخمة (LLMs) من صعوبة في إجراء عمليات التفكير المعقدة عند التعامل مع الجداول، ويرجع ذلك بشكل أساسي إلى نقص الإشراف المباشر على حالات التفكير الوسيطة.

لذا، ماذا لو كان هناك نظام يُمكّن من معالجة هذه العقبات؟ يأتي نظام TABROUGE ليقدم حلاً مبتكرًا عبر نظام مكافآت حالات الجدول الحتمي، الذي لا يحتاج إلى تدريب مسبق. يعتمد نظام TABROUGE على مقياس أطول تسلسل شائع (Longest Common Subsequence – LCS) من تلخيص النصوص، لتقييم حالات الجداول من حيث التغطية اللغوية وسلامة البنية بالنسبة للاستعلام، ويتميز بعدم اعتماده على نماذج متعلمة أو منفذين خارجيين.

إن المبادرة تعتمد على تطوير إطار عمل مرن يُسمى RE-TAB، والذي يُعيد تشكيل التفكير في الجداول كعملية تحكم حتمية على الحالات الوسيطة. حيث يُستخدم نظام TABROUGE لتوفير تغذية راجعة خطوة بخطوة وكذلك إشارات لتوسيع النتائج في الوقت الفعلي (Trajectory-level Test-time Scaling – TTS).

وأظهرت الاختبارات عبر ستة نماذج أساسية وثلاثة مؤشرات أداء، أن RE-TAB استطاع أن يُحسن الدقة بمعدل يصل إلى 26.7 نقطة مئوية مقارنةً بأساليب عدم المكافأة. كما تمكن من تقليل عدد عينات TTS بنسبة تصل إلى 33%. تُظهر التجارب الأولية على GRPO أيضًا أن نظام TABROUGE يمثل مكافأة صالحة وقابلة للتوسع بعد التدريب، حيث يحقق زيادات تصل إلى 8.34 نقطة مئوية.

ومع ذلك، تُظهر التحليلات بعض طرق الفشل المرتبطة بـ TABROUGE، مثل تقليل مكافآت إعادة التعبير واستغلال عمود الصدى، مما يبرز متى تبقى المكافآت اللغوية الوعي بالهيكل موثوقة. هل أنتم مستعدون لاستكشاف هذا التطور الثوري في معالجة الجداول؟