أزالت الأبحاث الأخيرة الستار عن طريقة ثورية لتحسين أداء نماذج اللغات الضخمة (LLMs) أثناء البحث. تتيح هذه الطريقة للنماذج الاستفادة من الأدلة الخارجية لتعويض القيود المعرفية المفروضة عليها. لكن الأمر ليس بهذه البساطة؛ فليس كل عمليات البحث تعود بالنفع. فهناك حالات قد تستدعي النماذج القيام بعمليات بحث حتى عند قدرتها على تقديم إجابات صحيحة، مما قد يؤدي إلى الاعتماد على أدلة مضللة أو غير موثوقة.

لذا، يطرح الباحثون هذه المسألة كمسألة توجيه البحث على مستوى الحالة: أي: كيف نحدد ما إذا كان البحث ضروريًا لتحسين نجاح المهمة مقارنة بعدم القيام به؟

من خلال مقارنة النتائج بين تنفيذ بدون بحث وتنفيذ مع بحث، تم تطوير معيار تقييم يتضمن تصنيفات تنقسم إلى عدم البحث، والبحث، والمواقف غير المحلولة. هذه المعايير توفر إشارات تعليمية من شأنها تدريب سياسات توجيه البحث، مما يؤدي إلى تحسين الأداء.

أظهرت النتائج الأولى تحسنًا ملحوظًا في دقة توجيه البحث. على سبيل المثال، تمكنت نماذج Gemma E2B من رفع نسبة النجاح من 0.7082 إلى 0.8235، بينما حققت نماذج Qwen 3.5-4B رفعًا من 0.7053 إلى 0.8365. كما أن التحليلات الإضافية بيّنت أن السياسات المتعلمة تقلل الأخطاء المرتبطة بتوجيه النموذج، حيث تركز Gemma بشكل أساسي على الحد من البحث، بينما تساهم Qwen في تقليل الحالات التي يتم تجاهل البحث فيها.

يسلط هذا البحث الضوء على إمكانية استكشاف فعالة لدمج نماذج اللغات الضخمة مع تقنيات البحث، مما يعد خطوة مهمة نحو تحسين النتائج وجعل هذه النماذج أكثر كفاءة وموثوقية.