في عالم الذكاء الاصطناعي، برزت نماذج اللغات الضخمة (Diffusion Language Models - DLMs) كخيار واعد في مواجهة التحديات التي تطرحها نماذج اللغة التلقائية (Autoregressive Language Models). لكن على الرغم من وعودها، فإن استراتيجيات الاستدلال لهذه النماذج ما زالت محدودة، حيث تعتمد بشكل رئيسي على الأساليب التقليدية المتوارثة من النماذج التلقائية.

في هذا السياق، نقترح منهجية جديدة تُعرف بـ "ملء القوالب" (Template Infilling - TI)، والتي تعد طريقة مخصصة للتكييف مع نماذج اللغات الضخمة. بدلاً من الاعتماد على الأساليب التقليدية للاستدلال، تسمح TI بمحاذاة مرنة للنقاط الهيكلية عبر كامل مساحة الاستجابة المستهدفة، مما يضع مخططاً عالمياً قبل ملء الأجزاء المفقودة.

لقد أثبتنا فعالية مقاربتنا من خلال اختبارات متنوعة تشمل التفكير الرياضي، وتوليد الأكواد، وتخطيط الرحلات، حيث حققنا تحسناً ثابتاً بنسبة 9.40% عن خط الأساس. علاوة على ذلك، أظهرت TI مزايا إضافية في إعدادات التوليد المتعدد الرموز، مما يمكّن من تسريع العمليات مع الحفاظ على جودة واستقرار التوليد.

باستخدام هذه القيود العالمية، تسهم TI في تعزيز التفكير المنهجي (System-2 reasoning)، مما يمكّن النموذج من التفكير في مجال حلول معرفية محددة التركيب.

إذا كنت مهتماً بتطورات الذكاء الاصطناعي وتطبيقاته العملية، فلا تفوت الفرصة للتعرف على هذه الابتكارات الجديدة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.