Lufan Chang

الملخص

تواجه نماذج اللغة الكبيرة (LLMs) صعوبات متكررة في إنتاج أفكار مبتكرة حقيقية، حيث تميل عادةً إلى الاعتماد على مفاهيم شائعة وذات احتمال عالٍ ضمن "حُفر الجاذبية" في بيانات التدريب الخاصة بها. وعلى الرغم من أن الطرق المتقدمة القائمة على البحث، مثل "شجرة الأفكار" (Tree of Thoughts - ToT)، تسعى إلى تقليل هذه المشكلة، إلا أنها محدودة جوهريًا باعتمادها على معايير تقييم ذاتية غير مبنية على مبادئ ثابتة، وغير متسقة، لتوجيه عملية الاستكشاف. ولسد هذه الفجوة، نقدّم \textbf{ماغلان}، وهي إطار عمل جديد يعيد صياغة عملية التوليد الإبداعي كاستكشاف منظم ومقتَدَر للفضاء المفاهيمي الخفي لنموذج اللغة الكبيرة. وتمثّل "ماغلان" في جوهرها خوارزمية بحث شجرة مونت كارلو (MCTS) تُدار بواسطة نظام توجيه هرمي. ففيما يخص التوجيه طويل المدى، تُستخدم متجه "البوصلة الدلالية" (semantic compass)، المُكوَّن عبر التمثيل المتعامد، لتوجيه البحث نحو الابتكار المُرَتَّب. أما في المراحل القصيرة، فتُستبدل وظيفة القيمة المُتَوَفِّقة (التي تعتمد على تقييم ذاتي خاطئ) بـ"وظيفة قيمة واعية بالسياق"، تُقدّم هيكلًا مكافأة صريحًا يوازن بين الاتساق الداخلي، والابتكار الخارجي، وسُلْمَ التقدم السردي. وتوحي النتائج التجريبية الواسعة بأن "ماغلان" تتفوّق بشكل ملحوظ على النماذج القوية الأخرى، بما في ذلك "ReAct" و"ToT"، في إنتاج أفكار علمية يتميز بدرجة عالية من الترجيح والابتكار. تُظهر دراستنا أن الاستكشاف المنظم والمقتَدَر، المبني على مبادئ واضحة، أكثر فعالية في اكتشاف الإبداع من الوكالة غير المقيدة، مما يفتح المجال أمام نماذج اللغة الكبيرة لأن تصبح شركاء أكثر قدرة في عملية الابتكار.