في عصر التقدم التكنولوجي والذكاء الاصطناعي، يأتي مفهوم التعلم الذاتي (Self-play) ليشكل بديلاً واعداً، حيث يقوم نموذج لغة (Language Model) بتوليد المشكلات، بينما يسعى نموذج آخر لحلها. هذه الطريقة تحاكي التعلم الآلي المستقل، لكن هناك تحدي حاسم يتمثل في ميل المُقترح (Proposer) لتقليص تنوع المشكلات التي ينشئها إلى مجموعة ضيقة تلبي وظيفة المكافآت، مما قد يُعرض الدورة التفاعلية للخطر.

**تقنية 'سقوط المفردات'**
تم تقديم مفهوم جديد يُعرف باسم 'سقوط المفردات'، وهو آلية بسيطة تهدف إلى الحفاظ على التنوع من خلال استخدام قناع عشوائي يُطبق على مخرجات المُقترح خلال عملية التدريب وتوليد المناهج. يتيح هذا القناع، الذي يتسم بالصرامة وعدم الثبات، للمُقترح تجنب الانزلاق إلى تسلسلات ثابتة من الرموز، مما يزيد من تنوع المشكلات.

**نتائج مثيرة للاهتمام**
عند تدريب نماذج Qwen3-4B وQwen3-8B على مهارات الاستدلال الرياضي باستخدام استراتيجية R-Zero، تمكنا من ملاحظة أن 'سقوط المفردات' ساهم في الحفاظ على تنوع المُقترح عبر مقاييس متعددة؛ مثل المعاني والمتطلبات الوظيفية. كما أظهرت النتائج تحسناً في الأداء لدى النماذج، حيث بلغ متوسط النقاط تحسناً قدره +4.4، مع أكبر زيادات في معايير المنافسة.

تشير هذه النتائج إلى أن استخدام قيود فعلية على فضاء العمل، مماثلة للدور الهيكلي الذي تلعبه قواعد اللعبة في التعلم الذاتي الكلاسيكي، يمكن أن يسهم في تحقيق تفاعل مثمر بين النماذج اللغوية. وبالتالي، يُعتبر 'سقوط المفردات' تجسيداً بسيطاً لهذه الفكرة.

ما رأيكم في استخدام تقنيات جديدة مثل 'سقوط المفردات' في تطوير الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!