في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models - LLMs) إحدى الركائز الأساسية لتوليد كودات الرسم البياني تلقائيًا، مما يمكّن المستخدمين من إنشاء مخططات فقط باستخدام التعليمات اللغوية.

على الرغم من التحسينات التي جاءت بها تقنيات مثل التعزيز بواسطة عدد قليل من الأمثلة (few-shot prompting) وتوسيع الاستفسارات، لا تزال الطرق الحالية تعاني من مشاكل عند طرح طلبات غير محددة بالتفصيل القابل للتنفيذ، مثل افتراضات معالجة البيانات واختيارات المعالجات أو المكتبات. وغالبًا ما تستدعي هذه القضايا تدخلًا يدويًا.

لحل هذه المشكلات، تم تقديم VisPath، وهو إطار عمل مميز لتوليد كودات الرسم البياني يعتمد على التفكير متعدد المسارات (Multi-Path Reasoning) والتحسين المعتمد على التغذية الراجعة (Feedback-Driven Optimization). يقوم VisPath بمعالجة الاستفسارات غير المحددة من خلال معالجة منظمة متعددة الخطوات.

تبدأ العملية باستخدام تقنيات Chain-of-Thought (CoT) لإعادة صياغة مدخلات المستخدم الأولية، مما ينتج عنه استفسارات موسعة متعددة في وقت واحد لتقديم بدائل ممكنة للطلب. ثم تقوم هذه الاستفسارات بتوليد نصوص برمجية رسمية ينفذها النظام لإنتاج صور متنوعة. من خلال تقييم الجودة البصرية ودقة كل مخرج، يقوم VisPath بتوليد تغذية راجعة مستهدفة يتم تجميعها لتوليد نتيجة نهائية مثالية.

أظهرت التجارب الشاملة على منفذ MatPlotBench و Qwen-Agent Code Interpreter Benchmark أن VisPath يتفوق على أحدث الأساليب، مقدماً إطار عمل أكثر موثوقية لتوليد الرسوم البيانية المعتمدة على الذكاء الاصطناعي. ما هو رأيكم في هذه التطورات المذهلة؟ شاركونا في التعليقات.