في عالم الذكاء الاصطناعي، تمثل نماذج التفكير الكبيرة (Large Reasoning Models) خطوة جبارة نحو تحقيق أداء قوي في مهام معقدة. لكن، هذه النماذج تظهر فعالية غير نظامية، حيث تميل إلى التفكر بشكل مفرط في المسائل السهلة وعدم التفكير بما يكفي في المسائل الصعبة.

في محاولة لحل هذه المعضلة، تم تقديم نموذج When2Think، الذي يعد إطارًا حديثًا لعملية التفكير الهجينة، حيث يقوم بتحليل صعوبة كل مهمة ويخصص الجهد الفكري وفقًا لذلك.

يستند مفهوم When2Think إلى فكرة "التحكم في مستوى الصعوبة"، عبر آلية مبتكرة تعرف باسم التحكم المُستند إلى الصعوبة على مستوى الحالة (Instance-level Difficulty-Aware Control - IDAC). هذه الآلية تعتمد على إحصائيات مرجعية مسبقة مثل الدقة واستخدام الرموز لتنظيم عمق التفكير وفق طبيعة المشكلة. من خلال هذا النهج، يوفر النموذج توازنًا بين معالجة المسائل السهلة والمعقدة: إذ يشجع على الإجابة المباشرة على التحديات السهلة، مع الحفاظ على التفكير العميق عند مواجهة المشكلات الأكثر تعقيدًا.

أظهرت التجارب على معايير رياضية نتائج مشجعة، حيث زادت نسبة النجاح في الاختبارات (Pass@3) بنسبة 10.0% مع تقليل استخدام الرموز بنسبة 27.9% مقارنة بالنموذج الأساسي، مما يبرز فعالية النموذج الجديد أمام الأساليب التقليدية. لقد حقق النموذج أيضًا نتائج مبهرة على كل من AIME24 وAIME25.

في ختام هذا التطور، يبدو أن When2Think يمثل بوضوح خطوة جوهرية نحو تحسين فعالية نماذج التفكير حين تعالج تحديات متباينة، مما يفتح آفاقًا جديدة في عالم الذكاء الاصطناعي. ما هي آراؤكم حول هذه الابتكارات؟ شاركونا أفكاركم في التعليقات!