في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى نماذج قادرة على العمل بكفاءة كوكالات مستقلة. ولكن هل تكفي الدقة في إنجاز المهام لتقييم نجاح هذه الأنظمة؟ هنا يبرز دور التحكم الفوق معرفي (Metacognitive Control) كعنصر رئيسي في اتخاذ القرارات الفعالة.

تقدم الدراسة الجديدة إطار TRIAGE، الذي يهدف إلى تقييم قدرة نماذج اللغات الضخمة (LLMs) على تحديد الأولويات تحت قيود الموارد مثل عدد الرموز المتاحة. تركز هذه الدراسة على كيفية تصور النماذج لمشكلة ما، وما هي المسار الذي ستتبعه، ومدى الموارد التي ستخصص لكل مشكلة، قبل تلقي أي ردود فعل بشأن التنفيذ.

تقوم الطريقة الجديدة بإعطاء نموذج مجموعة من المهام وميزانية من الرموز معدلة وفقاً لتكاليفها الأساسية، وتطلب منه وضع خطة مرتبة تنطوي على الاختيار والتسلسل والتخصيص. وتُقيَّم هذه الخطط مقارنةً بنموذج أوراكل يمتلك المعرفة الكاملة حول إمكانية حل النموذج وتكلفته لكل مشكلة.

المفاجأة الكبرى تكمن في النتائج التي توصلت إليها الدراسة، حيث أظهرت الفجوات الكبيرة بين النماذج الحالية في القدرة على التحكم الفوق معرفي، وهو ما يعتبر بُعداً جديداً لم يُقَيَّم سابقاً. تفتح هذه النتائج آفاقاً مثيرة للنقاش حول كيفية تحسين نشر الوكالات الذكية بفاعلية أكبر وباستخدام موارد أقل، وبالتالي فإن فهم هذه الفجوات يمكن أن يكون مفتاحاً لتفعيل نماذج الذكاء الاصطناعي في مجالات متعددة مثل الرياضيات التنافسية، والعلوم على مستوى الدراسات العليا، وتوليد الأكواد، ومعرفة متعددة التخصصات.