في عالم الذكاء الاصطناعي، تُعد نماذج العالم (World Models) أداة حيوية تحاكي ديناميات الانتقال في البيئات المختلفة، مما يمكّن الوكلاء من التخطيط استنادًا إلى عواقب أفعالهم. وقد برزت فكرة تحسين نماذج اللغة (Language Models) كواحدة من الإستراتيجيات الرائدة في هذا المجال، لكن لا تزال طرق عدم الاعتماد على المعلمات مثل "استرجاع الجيل المعزز" (Retrieval Augmented Generation - RAG) بحاجة إلى مزيد من الاستكشاف.

أجريت دراسة جديدة لتقييم شامل عبر خمسة بيئات متنوعة تشمل البيئات التجسسية وتصفح الويب والإعدادات الاجتماعية، حيث تمت مقارنة التحسينات على نماذج اللغة مع Approaches-RAG. أظهرت النتائج أن تحسين نماذج اللغة غالبًا ما يتفوق على RAG، حيث يمكن لنماذج العالم المحسّنة أن تمنح الوكلاء مكافآت أعلى في 15 من أصل 20 إعدادًا.

ولقد أثبتت الدراسة أيضًا أن كلا النهجين يستفيدان من استكشافات إضافية وأكثر تنوعًا، مع ميزة RAG الواضحة في الكفاءة من حيث البيانات، بينما يستفيد تحسين النماذج بشكل أكبر من زيادة كمية الخبرة المجمعة. ولتقديم رؤية أعمق حول طرق عمل RAG، تم تطوير إجراء يعتمد على التدخلات المضادة (Counterfactual Intervention) لتقدير معدل الخطأ في مرحلة الاسترجاع، مما أظهر أن أدوات الاسترجاع غالبًا ما تبرز انتقالات غير مثالية.

من أجل معالجة هذه المشكلة، تم دراسة استراتيجيات إعادة صياغة الاستفسارات، حيث أظهرت النتائج أن النهج الهيكلي يتفوق على التدفق التقليدي للاسترجاع. في النهاية، تم تصميم نظام هجين لنمذجة العالم يلتقط ديناميات البيئة الأساسية، مع التعلم للاعتماد على الاسترجاع من ذاكرة نشطة. وقد أظهرت هذه النظام الهجين أداءً أفضل باستمرار عبر مجموعة متنوعة من البيئات والنماذج، مما يؤكد القوة والملاءمة لهذه النتائج.

ما رأيكم في هذه النتائج المثيرة؟ هل تعتقدون أن النهج الهجين سيكون له مستقبل واعد في نمذجة العالم؟ شاركونا آرائكم في التعليقات!