الاستدلال التراكمي باستخدام نماذج اللغة الكبيرة

أظهرت التطورات الحديثة في النماذج اللغوية الكبيرة (LLMs) تقدماً ملحوظاً، ومع ذلك تظل قدرتها على حل المشكلات المعقدة محدودة. في هذا العمل، نقدّم منهجية التفكير التراكمي (Cumulative Reasoning - CR)، التي تعتمد على استخدام النماذج اللغوية الكبيرة بشكل تراكمي وتكراري، وتنسج عملية التفكير البشرية في حل المشكلات. يُحلل منهج CR المهام إلى مكونات أصغر يمكن إدارتها، ويستفيد من الافتراضات السابقة لتكوين حلول فعّالة، مما يعزز بشكل كبير من قدرات حل المشكلات. نُظهر ميزة CR من خلال مجموعة من المهام المعقدة في التفكير: حيث تتفوق على الطرق الحالية في مهام الاستدلال المنطقي، مع تحسن يصل إلى 9.3٪، وتحقق دقة قدرها 98.04٪ على مجموعة بيانات FOLIO الويبية المُختارة. في لعبة الـ24، تحقق CR دقة تبلغ 98٪، مما يمثل تحسناً بنسبة 24٪ مقارنة بأفضل أداء سابق. وفي حل مسائل ماث (MATH)، تحقق CR زيادة بنسبة 4.2٪ مقارنة بالطرق السابقة، وتحقيق تحسن نسبي قدره 43٪ في أصعب مستويات المشكلة (المستوى 5). عند دمج بيئة برمجة مع منهج CR، نستغل بشكل أكبر قدرات النموذج اللغوي الكبيرة في التفكير، ونتفوق على منهج "برنامج التفكير" (Program of Thought - PoT) بنسبة 38.8٪. يمكن الوصول إلى الشيفرة المصدرية عبر الرابط: https://github.com/iiis-ai/cumulative-reasoning.