تعد TLA+ من اللغات الرسمية الأساسية المستخدمة في التحقق من الأنظمة الموزعة والبروتوكولات الحساسة. لكن، المشكلة تكمن في أن نماذج اللغة الكبيرة (Large Language Models) التي ُتعتمد في توليد مواصفات TLA+ كثيراً ما تفشل في اجتياز اختبار TLC (TLA+ Model Checker) بسبب أخطاء دلالية. في خطوة طموحة، تم تقديم TLA-Prover، وهو نموذج مكون من 20 مليار معلمة يهدف إلى توليد هذه المواصفات بشكل أكثر دقة وكفاءة.

تأتي الابتكارات في TLA-Prover من خلال تدريبات معقدة تجمع بين التحسين المباشر والتعلم من الأمثلة الموثوقة. حيث يتعلم النموذج خلال مرحلة تسمى (Group-Relative Policy Optimization) أو GRPO، كيفية تصحيح مواصفاته المرفوضة بنفسه. هذا ليس كل شيء، بل إن هناك إصداراً مخصصاً آخر للنموذج يعتمد على تحسين تفضيلات مباشرة (Direct Preference Optimization - DPO) والذي يبرز أيضًا نتائج مميزة.

لقياس نجاح النموذج، تم تصميم نظام تصنيف من أربع درجات:
- البرونزية (Bronze) إذا كانت التحليلات فقط صحيحة،
- الفضية (Silver) إذا كانت بدون أي تحذيرات،
- الذهبية (Gold) إذا اجتازت اختبار TLC، و
- الماسية (Diamond) إذا تمكنت من كشف الانتهاك على الرغم من أن TLC قد أقر بالمواصفة.

هذا يضمن أن النموذج لا ينتج اثنين من الخصائص التافهة. في نتائجه المبدئية، حقق TLA-Prover نسب نجاح مثيرة حيث اجتاز 30% من الحالات في تصنيفي Gold وDiamond، وهو تحسن ملحوظ يبلغ 3.5 مرات عن الإصدارات السابقة غير المعدلة. بينما بلغ إصدار DPO إلى 20% في تصنيف Diamond.

هذه النتائج تشير إلى تقدم كبير في مجال الذكاء الاصطناعي وتطبيقاته في كتابة المواصفات القابلة للتحقق. فما رأيكم في هذه الثورة التكنولوجية الجديدة؟ شاركونا في التعليقات.