في عالم يتجه بسرعة نحو التطورات الثورية في الذكاء الاصطناعي، أصبحت تقنية التوسع في وقت الاختبار (Test-Time Scaling) إحدى الآليات الفعالة التي تعزز من قدرات التفكير واستدلال النماذج اللغوية الضخمة (Large Language Models). وقد شهدنا في الآونة الأخيرة تقدمًا ملحوظًا في تحسن هذه التقنية بفضل الأساليب المنظمة التي تسمح بإدارة الاستدلال عبر مسارات متعددة وعمليات تنقيح مستمرة.

ومع ذلك، كان هناك تحدٍ يتمثل في افتقار الأساليب الحالية للتنسيق الفعال بين المسارات المتوازية، بالإضافة إلى اعتمادها على معلومات تاريخية غير دقيقة في بعض الأحيان. لهذا السبب، تم تقديم إطار عمل TMAS الذي يهدف إلى تحقيق الاستفادة القصوى من طاقة المعالجة في أوقات الاختبار من خلال التعاون الجماعي.

تعتمد TMAS على تنظيم عملية الاستدلال كجهد تعاوني بين وكلاء متخصصين، مما يتيح تدفق المعلومات المنظم عبر الوكلاء والمسارات وعمليات التنقيح. ولتعزيز التعاون الفعال، أدخلت TMAS ذاكرات هرمية: حيث تُعيد "بنك التجربة" استخدام الاستنتاجات المتوسطة الموثوقة، بينما يسجل "بنك الإرشادات" الاستراتيجيات عالية المستوى المستكشف سابقًا، مما يسهل الابتعاد عن أنماط الاستدلال المتكررة.

كما تم تصميم نظام مكافآت هجين خاص بالتعلم المعزز لدعم TMAS، والذي يحافظ على القدرة الأساسية على التفكير ويعزز من استعمال التجارب السابقة، بالإضافة إلى تشجيع الاستكشاف لما هو أبعد من الاستراتيجيات المتبعة سابقًا.

تظهر التجارب الواسعة على مجموعة من تحديات الاستدلال أن نظام TMAS يحقق توسعًا أفضل مقارنةً بأساليب التوسيع السابقة، في حين يعزز تدريب المكافآت الهجينة من فعالية واستقرار التوسيع عبر المرات. يمكنكم وضع أيديكم على الكود والبيانات عبر الرابط المتاح في المصدر.

في ختام هذا المقال، نتساءل: هل تعتقد أن تقنية TMAS ستغير قواعد اللعبة في استدلال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!