ستساعدك المقالة التالية: يقدم بحث جديد للذكاء الاصطناعي طريقة للإجابة على الأسئلة عن طريق الاستدلال التلوي على سلاسل الفكر المتعددة
تستخدم مطالبة CoT شرحًا تدريجيًا لتوجيه نموذج لغوي كبير لتطوير استجابة. لقد ثبت أن تحفيز CoT يزيد من الإنتاجية في الأنشطة التي تتطلب تفكيرًا مكثفًا بشكل كبير. تعمل تقنية الاتساق الذاتي (SC) على زيادة الدقة عن طريق أخذ عينات من سلاسل الفكر المتعددة وإرجاع ناتج الأغلبية.
تنتج مكاسب الكفاءة من SC ، لكن الطريقة بها عيوب. الأول هو أنه من المستحيل الحصول على إجماع عندما يكون هناك العديد من النتائج التي يمكن تصورها لأن كل سلسلة تفكير قد تنتهي بنتيجة مختلفة. ثانيًا ، يمكن أن يؤدي تجاهل عملية التفكير التي أدت إلى النتيجة إلى فقدان تفاصيل مهمة.
قدم باحثون من جامعة تل أبيب ومعهد ألين للذكاء الاصطناعي وجامعة بار إيلان في ورقتهم البحثية “استدلال متعدد الخيوط” طريقة تسمى MCR ، حيث يوجهون نموذجًا لغويًا كبيرًا (LLM) إلى العقل التلوي عبر العديد من سلاسل التفكير. وتوليد استجابة وشرح قاطعين. لا تُستخدم سلاسل المنطق المعينة في تنبؤاتهم (كما هي في SC) ولكن بدلاً من ذلك لجمع البيانات من سلاسل مختلفة. بينما يعتمد كلا النهجين على الرسم من مجموعة من سلاسل التفكير المحتملة ، تقدم SC الإجابة الأكثر شيوعًا التي يتم الوصول إليها من خلال هذه السلاسل: “لا” (المربع الرمادي ، أسفل اليمين). على العكس من ذلك ، يجمع MCR النتائج الوسيطة من كل سلسلة (المربعات الزرقاء ، أعلى اليسار) في سياق واحد يتم تسليمه بعد ذلك إلى نموذج meta-reasoner جنبًا إلى جنب مع الاستفسار الأصلي. المنطق الفوقي هو LLM مميز يُطلب منه السبب التلوي على عدة خطوط مختلفة من التفكير قبل الخروج بحل وتبرير قاطعين.
يتكون جوهر MCR من ثلاثة أجزاء. يتم إنشاء سلسلة التفكير من خلال الجمع بين نموذج التحلل والمسترد. بعد دمج هذه السلاسل ، يتم إنشاء سياق متعدد السلاسل وإدخاله في المنطق التلوي.
يقوم الفريق باختبار MCR على العديد من مجموعات بيانات ضمان الجودة متعددة المراحل الصعبة في سيناريو المجال المفتوح. يصنفون المشاكل إما ضمنية أو صريحة. يستخدمون SC وإصدارات من Self-Ask و CoT مع الاسترجاع كنقاط مرجعية للمقارنات مع MCR. باستخدام نفس العدد من سلاسل التفكير ، تكشف النتائج أن MCR يتفوق باستمرار على جميع خطوط الأساس الأخرى. يقومون بتقييم قيمة MCR من خلال التقييم الدقيق وقياس جودة التفسيرات التي تولدها. وفقًا للنتائج ، يمكن لـ MCR تقديم تفسيرات منطقية لأكثر من 82٪ من المواقف.
