يعتبر البحث باستخدام الشجرة (Tree-Search) أحد أساليب التحسين الفعالة لنماذج اللغة الكبيرة (Large Language Models - LLMs) خلال مرحلة الاختبار. ومع ذلك، فإن التطبيقات العملية عادة ما تتطلب ميزانية رمزية ثابتة لكل استعلام، تختلف من سياق لآخر. للأسف، غالبية استراتيجيات البحث الحالية لا تأخذ هذه الميزانية بعين الاعتبار، حيث تُعامل على أنها مجرد شرط لإنهاء البحث، مما قد يؤدي إلى استجابة مفرطة في المراحل المتأخرة أو إنهاء مبكر.

لنفكِّر في الحل: نقدم تقنية جديدة تُدعى Budget-Guided MCTS (BG-MCTS)، وهي خوارزمية بحث تعتمد على هيكل الشجرة، تضبط استراتيجيتها بناءً على الميزانية الرمزية المتبقية. تبدأ BG-MCTS باستكشاف واسع، ثم تركز على تحسين النتيجة وإكمال الإجابة تدريجيًا بينما تتناقص الميزانية، مما يقلل من التفرع المتأخر من العقد السطحية.

هذه التقنية الجديدة أثبتت فعاليتها، حيث تفوقت بشكل مستمر على استراتيجيات البحث التقليدية المتجاهلة للميزانية عبر مختلف ميزانيات الاستدلال، خاصة في مجالات رياضيات التفكير ومجالات الفيزياء باستخدام نماذج LLM مفتوحة الأوزان. إن BG-MCTS ليست مجرد خطوة تقنية، بل هي نقلة نوعية في تحسين أداء الذكاء الاصطناعي.