أصبحت النماذج اللغوية الضخمة (Large Language Models) جزءًا أساسيًا من تقدم الذكاء الاصطناعي، خاصةً في مهام الاستدلال. ولكن، هل تساءلت يومًا لماذا تنفق هذه النماذج عددًا كبيرًا من الرموز (tokens) في مسارات استدلال طويلة ومعقدة؟ في دراسة حديثة نُشرت على موقع arXiv، تم تقديم طريقة جديدة لتحسين هذه العملية بشكل كبير.

تقوم هذه الطريقة على تلخيص وتخزين مهارات الاستدلال القابلة لإعادة الاستخدام المستمدة من تجارب متكررة وتحليل دقيق للمشكلة. الفكرة الأساسية هي استرجاع هذه المهارات عند الحاجة، مما يساعد النماذج على تجنب المسارات غير الضرورية والتركيز على الحلول الأكثر كفاءة.

بدلاً من الاعتماد على الاستدلال من الصفر، يتم استدعاء المهارات المعنية لكل استفسار، مما يقلل من عدد الرموز المستخدمة بينما يزيد من دقة النتائج. وبالفعل، أظهرت الدراسة أن هذه الطريقة فعّالة في مهام البرمجة والاستدلال الرياضي. كما كشفت النتائج عن إمكانية تقليل التكاليف المرتبطة بكل طلب، مما يشير إلى إمكانيات اقتصادية قوية للتطبيقات في العالم الحقيقي.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي وبكيفية تحسين أداء النماذج اللغوية، فلا تفوت هذه الدراسة القيمة.