في عالم الذكاء الاصطناعي، يتزايد الحديث حول أهمية كيفية تحقيق نتائج أفضل في مهام الاستدلال (Reasoning Tasks)، وخاصة عندما يتعلق الأمر بالتحديات المعقدة مثل الرياضيات وتوليد الكود. اعتاد الكثيرون على الاعتقاد بأن نماذج التوليد المعزّز باسترجاع المعلومات (Retrieval-Augmented Generation - RAG) غير فعالة في تلك المهام. ومع ذلك، أثبتت الأبحاث الحديثة أن هذه الفكرة تحمل بعض الأفكار المسبقة.

أثبتت دراسة جديدة أننا يمكننا استغلال ما يُعرف بتتبع التفكير (Thinking Traces) كمنبع قوي لتحسين أداء استراتيجيات الاستدلال. فبدلاً من مجرد استرجاع الوثائق التقليدية، اقترحت هذه الدراسة استخدام مجموعة من الذاكرات المعرفية التي تتضمن كيفية تفكير النماذج أثناء محاولاتها لحل المشكلات.

من خلال تحليل تلك التتبعيات، تُظهر النتائج أن الاستفادة من هذه المخرجات يمكن أن ترفع من أداء النماذج بشكل كبير، حيث تم تطوير طريقة تُعرف باسم T3، التي تسمح بتحويل تلك التتبعيات إلى تمثيلات هيكلية سهلة الاستخدام.

باستخدام تلك البيانات المستخرجة، طوّر الباحثون خوارزمية بسيطة تعتمد على الاسترجاع ثم التوليد، مما أدى إلى تحسن كبير في أداء الاستدلال عبر نماذج قوية ومعايير عديدة مثل AIME 2025-2026 وLiveCodeBench وGPQA-Diamond. فعلى سبيل المثال، في اختبار AIME، حققت النماذج التي اعتمدت على تتبعات التفكير زيادات تصل إلى 56.3% في الأداء.

المثير للاهتمام أن استخدام تتبعات التفكير كمنبع لتحسين الأداء جاء بتكاليف منخفضة في الاستدلال، بل واستطاع تقليل التكاليف بما يصل إلى 15%. هذه النتائج تشير بوضوح إلى أن استغلال تتبعات التفكير كقاعدة بيانات يمكن أن يفتح آفاقًا جديدة في كيفية تعامل النماذج مع مهام الاستدلال.

هل تعتقد أن استخدام تتبعات التفكير سيكون ركيزة رئيسية في مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!