تعتبر العلاقات السببية من أهم المجالات التي تحتاج إلى بحث ودراسة معمقة في الذكاء الاصطناعي، إلا أن تدريب نماذج اللغات الضخمة (Large Language Models) على التفكير السببي لا يزال موضوعًا غير مستكشف بصورة كافية. في هذا السياق، تم اقتراح إطار جديد يُعرف بـ "يوينيكو" (UniCo)، والذي يستهدف تحسين القدرة على التعامل مع الأسئلة السببية بشكل عام.

يعمل إطار يوينيكو عن طريق تناول 18 نوعًا من الاستفسارات السببية وفقًا لسلَّم ألف Pearl، حيث يقوم بترجمة الأمثلة الرمزية إلى كود وشكل لغة طبيعية لتش模拟 حالات الاستخدام الواقعية التي لا تُحدد فيها الشروط السببية بشكل صريح.

لضمان جودة البيانات، يعمل يوينيكو على توفر إجابات دقيقة مع تحليل سببي دقيق، بالإضافة إلى تصفية الحالات التي تستخدم اختصارات في التفكير. بعد القيام بعمليات تدريب إشرافي على 66,600 حالة مولدة بواسطة يوينيكو، أظهرت النماذج مثل Qwen3-4B و Qwen3-8B و Olmo-3-7B-Instruct تحسنًا متوسطًا بمعدل 22.9% في جميع أنواع الاستفسارات المعنية، و8.1% مقارنة مع أفضل إطارات توليد البيانات السببية.

الأكثر أهمية من ذلك، في مجالات الفهم الطبي وقرارات قانونية وتحليل البيانات، أظهرت نماذج المدربة باستخدام يوينيكو آثار تفكير أكثر دقة، متفوقة على النماذج الأساسية بمعدل 20.2% في مقياس الدقة في التفكير.

وهذا يشير إلى أن التدريب المرتكز على السببية لا يقوي فقط من التفكير السببي، بل يزود نماذج الذكاء الاصطناعي بعقلية سببية في جميع مهام التفكير العامة.