تعتبر القدرة على الاستدلال مسألة حيوية لتأكيد دقة الإجابات المقدمة من نماذج التحويل القائمة على نماذج اللغات الضخمة (Large Language Models). حيث يتطلب الاستدلال القوي حول العلاقات الانتقالية (transitive relations) أدوات فعالة في العديد من السيناريوهات، مثل استنتاج الأسباب (causal inference).

في السنوات الماضية، تركزت الأبحاث على مدى قدرة نماذج التحويل على تعلم الاستدلال عن العلاقات الانتقالية من خلال الأمثلة المقدمة في المدخلات. ومع ذلك، لم يتم استكشاف كيف يمكن أن تؤثر الأبعاد المختلفة في الرسوم البيانية على هذه القدرة.

في دراسة جديدة، تم اختبار نموذجات التحويل ذات الأحجام المختلفة باستخدام رسوم بيانية موجهة. ووجد الباحثون أن هذه النماذج قادرة على تعلم الاتصال في الرسوم البيانية "الشبكية" (grid-like)، حيث يمكن تضمين كل عقدة في فضاء منخفض الأبعاد، مما يسهل استنتاج الاتصال من التعابير.

تظهر النتائج أن أبعاد الرسم البياني تعد مؤشرًا قويًا على قدرة نماذج التحويل في تنفيذ مهام الاتصال، حيث تعتبر الرسوم البيانية ذات الأبعاد العليا أكثر تحديًا من تلك ذات الأبعاد المنخفضة. كذلك، ومع زيادة حجم النموذج، تتحسن قدرته على الاستدلال كفاءة في استنتاج الاتصال عبر الرسوم البيانية الشبكية.

بينما تعاني نماذج التحويل من صعوبة في تعلم الاتصال في الرسوم البيانية التي تحتوي على مكونات غير مترابطة. تزداد هذه التحديات بشكل أكبر مع زيادة عدد هذه المكونات.

إن فهم هذه الديناميات سيؤدي بالتأكيد إلى تحسين تصميم نماذج أفضل في المستقبل تسمح بمستويات أعلى من الاستنتاجات الدقيقة، مما يفتح آفاق جديدة في أبحاث الذكاء الاصطناعي.