في عالم الذكاء الاصطناعي، تظل نماذج Transformers تتصدر قائمة الابتكارات، لكنها تواجه تحديات عند محاولة التعامل مع أحجية بسيطة مثل برج هانوي. في دراسة حديثة، تم تحليل كيفية تعامل كل من Transformers الصغيرة والنماذج الكبيرة المعروفة (Large Reasoning Models) مع هذه الأحجية، والتي تعتبر بمثابة اختبار لقدراتهم على التخطيط وحل المشكلات.

تتضمن دراسة البرج التقليدي كخطوة أولى، حيث استطاعت النماذج الكبرى حل النسخة القياسية من اللغز، لكن ما زالت تعاني من صعوبة عند مواجهة النسخة الأكثر تعقيدًا، حيث لا تقتصر الحالات الابتدائية والنهائية على عمود واحد. من خلال استخدام تقنيات مختلفة لفهم كيفية عمل هذه النماذج، تم اكتشاف أنها تبني نموذجًا عالميًا ناشئًا (emergent world model) يمثل حالة اللغز بدقة.

تم تطبيق نفس التقنيات على نماذج ضخمة مثل Qwen3.6-27B وDeepSeek-R1-Distill-Qwen-32B، التي تسعى لحل اللغز عبر مبدأ تسلسل الأفكار (chain-of-thought) الممتد. لكن المفاجأة كانت في أن هذه النماذج، رغم قدرتها على تقديم نموذج عالمي مثالي، إلا أنها تفشل في إنجاز المهام عندما يزيد عدد الحلقات عن الثلاث. تحديد مصدر هذا الفشل يكمن في ضعف الاحتفاظ بالتمثيلات المطلوبة للنجاح، مما يعني أن هذه النماذج لا تعاني من نقص في التمثيلات، بل من مشكلة في الحفاظ عليها.

تشير الدلائل إلى أن تحسينات يمكن تحقيقها عن طريق إدخال التمثيل في وقت الاستنتاج، مما يعيد للأذهان فكرة أن النماذج الحالية تبني عالمها، ثم تفقده في مراحل لاحقة. من هنا، يمكن أن تعيد نتائج هذه الدراسة صياغة فهمنا للأداء المتراجع الذي لوحظ في الدراسات السابقة، مما يفتح آفاقًا جديدة لتحسين فعالية نماذج الذكاء الاصطناعي.