تصور کنید عامل هوش مصنوعی شما در میانه یک تحقیق پیچیده، در یک مسیر غلط گیر می‌کند و تمام بودجه محاسباتی خود را برای دنبال کردن یک سرنخ بی‌نتیجه تلف می‌کند. این شکست معمولاً ناشی از عدم تعادل میان «بهره‌برداری» (Exploitation) از سرنخ‌های موجود و «اکتشاف» (Exploration) مسیرهای جدید است.
همان‌طور که در پوشش پیشین ما درباره‌ی محدودیت‌های مدل‌های استدلالی اشاره کردیم، افزایش اندازه مدل لزوماً به معنای مدیریت بهتر مسیرهای جست‌وجو نیست. در واقع، جست‌وجوی عمیق نیازمند سنتز شواهد در چندین مرحله است و یک چرخش اشتباه می‌تواند کل پرس‌وجو را از مسیر خارج کند.
طبق اعلام پژوهشگران در مقاله‌ای که در ۱۱ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، چارچوب TreeSeeker برای حل این مشکل، جست‌وجوی خطی را با یک ساختار درختی «شاخه‌بندی و بازگشت» جایگزین می‌کند. این سیستم از دو مؤلفه کلیدی تشکیل شده است:
- TreeSearch: یک حلقه کنترل که جست‌وجو را در وضعیت‌های درخت‌گونه سازمان‌دهی می‌کند. این بخش از سیگنال‌های کران بالای اطمینان (Upper Confidence Bound یا UCB) برای سنجش ارزش، عدم قطعیت و ریسک استفاده می‌کند تا تصمیم بگیرد یک شاخه را گسترش دهد، مسیر جایگزین را بررسی کند یا شاخه‌های بی‌ثمر را حذف کند.
- TreeMem: یک سیستم حافظه تخصصی که شواهد، تضادها و نشانه‌های شکست را مستقیماً به شاخه‌های تولیدکننده آن‌ها متصل می‌کند تا نتایج هر تلاش، تصمیمات آینده را هدایت کند.
به گزارش نویسندگان مقاله، ارزیابی‌های انجام شده روی بنچمارک‌های XBench-DeepSearch و BrowseComp و همچنین BrowseComp-ZH نشان می‌دهد که TreeSeeker به‌طور مستمر از مدل‌های پایه متن‌باز پیشی می‌گیرد.
تحلیل ما نشان می‌دهد که این تغییر رویکرد، فرضیه «استدلال قوی‌تر از طریق مدل‌های بزرگتر» را در حوزه جست‌وجوی عمیق به چالش می‌کشد. در واقع، موفقیت عامل‌محور (Agentic) بیش از آنکه به برنامه‌ریزی اولیه وابسته باشد، به توانایی سیستم در بازگشت مؤثر (Backtrack) پس از شکست یک سرنخ بستگی دارد؛ یعنی جابه‌جایی بارِ پردازشی از منطق داخلی مدل به مدیریت وضعیت معماری در زمان استنتاج (Inference).
گام بعدی شما
- اگر توسعه‌دهنده عامل‌های هوش مصنوعی هستید، پیاده‌سازی سیگنال‌های کنترلی مدل UCB را در جریان‌های کاری خود بررسی کنید.
- مستندات فنی و مقایسه‌ی شواهد را به‌طور کامل در arxiv.org مطالعه کنید.
- منتظر ادغام این ساختارهای کنترلی در چارچوب‌های جریان‌محوری مانند LangGraph یا AutoGPT باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ اثر این کنترل‌کننده‌ها بر کاهش مصرف GPU را در گزارش بعدی بررسی خواهیم کرد.
گفتگو