في عالم الذكاء الاصطناعي، يكمن السر في كيفية عمل نماذج التعلم العميق، وخاصة تلك التي تعتمد على الانتشار (Diffusion) مثل نماذج اللغة. دراسة جديدة نشرت على arXiv تكشف عن ظاهرة مثيرة: استقرار الإجابة المقدمة يمكن أن يحدث بينما لا تزال المبررات في طور التطور.

توضح النتائج أن نسبة تتراوح بين 89.4% و98.1% من مساحة المبررات تبقى غير مكتوبة عند استقرار الإجابة في عمليات LaViDa الروسية الدعائية. التغيير في طول الكتل من 128 إلى 8 تعيد تصنيف هذه النسبة من 89.4% إلى 1.7%. هذا يعني أن مدى الشمولية للإجابات يتأثر بشكل كبير بالطريقة التي يتم بها تنفيذ العملية.

إضافةً إلى ذلك، وفي إطار أنظمة التوجيه (Prompting) المدعومة بنموذج EOS، حققت دقة نموذج Nemotron زيادة ملحوظة تصل إلى 15 و19.5 نقطة مئوية في اختباري M3CoT وScienceQA، بينما أدت هذه الطريقة إلى تقليل الدقة في LaViDa/V*Bench بمقدار 11 نقطة.

الأبحاث تتمحور حول العلاقة بين استقرار الإجابة وتطور المبررات، حيث تؤكد على أن الشمولية تعتبر المكون الأكبر في الاختلافات الناتجة عن تنفيذ أساليب التوجيه، مما يضع الأساس لمزيد من الأبحاث في هذا المجال.