HintMR: راهکاری نوین برای تقویت استدلال ریاضی در مدل‌های زبانی کوچک

مدل‌های زبانی کوچک در حل مسائل ریاضی پیچیده با چالش‌های اساسی مواجه هستند. آنها در حفظ زنجیره‌های طولانی محاسبات و بازیابی از خطاهای اولیه ناتوانند. چارچوب جدید HintMR با رویکردی نوآورانه این مشکلات را هدف قرار داده است. این سیستم با شکستن راه‌حل‌ها به مراحل متوالی و ارائه سرنخ‌های متنی، مدل‌ها را به صورت گام‌به‌گام در فرآیند حل مسئله هدایت می‌کند. نکته جالب توجه اینکه مدل تولیدکننده سرنخ به تنهایی قادر به حل مسائل نیست، بلکه باید با یک مدل استدلال‌کننده مجزا همکاری کند و به این ترتیب یک سیستم دومدلی مشارکتی شکل می‌گیرد. هر سرنخ بر اساس متن اصلی مسئله و تاریخچه انباشته‌شده استدلال تولید می‌شود و راهنمایی‌های هدفمند و محدود به هر مرحله ارائه می‌دهد بدون آنکه راه‌حل کامل را فاش کند. این رویکرد خطای انباشته را به طور چشمگیری کاهش می‌دهد، زیرا مدل استدلال‌کننده می‌تواند روی زیرمسئله‌های قابل مدیریت تمرکز کند. مدل تولیدکننده سرنخ از طریق تقطیر دانش از یک مدل زبانی بزرگ و قدرتمند آموزش می‌بیند تا توانایی تولید سرنخ را به یک معماری کوچک‌تر و کارآمدتر منتقل کند. آزمایش‌ها روی معیارهای ریاضی گوناگون نشان می‌دهد که کمک سرنخ‌محور به طور مداوم دقت استدلال را در مدل‌های زبانی کوچک بهبود می‌بخشد. این چارچوب در مقایسه با روش‌های متدوال پرسش و پاسخ، دستاوردهای قابل توجهی به همراه دارد و در عین حال کارایی مدل را حفظ می‌کند. همکاری ساختاریافته بین این دو مدل، مکانیزمی سبک‌وزن و مؤثر برای تقویت توانایی‌های استدلال ریاضی در محیط‌های با منابع محدود فراهم می‌سازد. این پژوهش نشان می‌دهد که حتی مدل‌هایی که برای حل مستقل مسائل پیچیده بسیار کوچک هستند، می‌توانند در تولید سرنخ‌های مفید نقش معناداری ایفا کنند. این رویکرد مشارکتی افق‌های تازه‌ای را برای استقرار سیستم‌های هوش مصنوعی توانمند در دستگاه‌های با قدرت محاسباتی محدود می‌گشاید.