CToM يعلّم نماذج LLM التنبؤ بردّ المستخدم ويرفع الدقة إلى 79,6%

نشر باحثون على arXiv أسلوب Collaborative Theory of Mind (CToM) الذي يعلّم النماذج اللغوية العمل مع الإنسان بكفاءة أكبر في الحوارات الطويلة. يكتب النموذج أولًا مسودة، ثم يتنبأ بكيفية ردّ المستخدم، وبعد ذلك فقط يحسّن إجابته. في مهمة الاستدلال الرياضي التعاوني ارتفعت الدقة النهائية من 74,1% إلى 79,6% مقارنةً بأسلوب GRPO المعتاد. وفي البرمجة والكتابة، ومع المكافأة نفسها، اضطر المستخدم إلى الرد بنسبة أقل بلغت 8% و17% على التوالي.

أين يتعثر العمل المشترك

ينطلق المؤلفون من ملاحظة مألوفة لكل من أنجز مع LLM مهمة أعقد من طلب واحد. النماذج قوية في المهام المنفردة، لكن سلوكها في الحوار متعدد الأدوار غير مريح. فهي تندفع إلى الحل دون أن تتبيّن ما يحتاجه الإنسان فعلًا. وحين تتلقى تصحيحًا، لا تعيد النظر في افتراضاتها السابقة، بل تواصل البناء على أساس خاطئ. والتعلم المعزز التقليدي، الذي يكافئ النتيجة النهائية فقط، لا يعالج ذلك: فالنموذج لا يتلقى أي إشارة عمّا يفكر فيه الإنسان تجاه خطوته.

كيف يعمل CToM

تتألف الحلقة المقترحة من ثلاث خطوات: مسودة الإجابة، وتوقّع ردّ فعل المستخدم، ومراجعة داخلية تستند إلى هذا التوقع. ولا يرى الإنسان سوى النتيجة النهائية. في التدريب، يُستخدم ردّ المستخدم الفعلي على كل مسودة هدفًا للتنبؤ بالخطوة التالية، ويُدرَّب المساعد على تقليل negative log-likelihood لهذا الرد. ثم يُدمج هذا الهدف مع GRPO (group-relative policy optimization). وبذلك يحسّن النموذج في آن واحد جودة الحل وكفاءة التفاعل، أي عدد الأدوار التي لزمت للوصول إلى النتيجة.

لا يوضح الملخص ما إذا كانت ردود المستخدمين حقيقية أم مولّدة بواسطة محاكٍ. ويتوقف على ذلك مدى انتقال النتائج إلى المنتجات الواقعية، وسيتعيّن البحث عن الجواب في النص الكامل للورقة.

الأرقام

اختُبر الأسلوب على الاستدلال الرياضي والبرمجة والكتابة. وبحسب المؤلفين، يتفوق CToM على جميع الأساليب المرجعية في جودة العمل المشترك. أبرز المؤشرات:

• الرياضيات: دقة نهائية 79,6% مقابل 74,1% لأسلوب GRPO البسيط، بزيادة قدرها 5,5 نقطة مئوية؛
• البرمجة: مع المكافأة نفسها، تؤدي إضافة supervision على التنبؤ إلى خفض عدد ردود المستخدم بنسبة 8%؛
• الكتابة: انخفاض عدد الردود بنسبة 17% مع تحسّن الجودة في الوقت نفسه؛
• التحليل السلوكي: بعد التدريب تصبح تنبؤات النموذج بردود فعل المستخدم أدق.

النقطة الأخيرة أهم من غيرها لأنها تكشف الآلية. فقد وجد المؤلفون أن التنبؤات الأدق ترتبط بتحسّن أوضح في الجودة عبر التصحيح الذاتي. ويعني ذلك أن المكسب لا ينبع من آثار جانبية للتدريب، بل من قدرة النموذج على محاكاة محاوره. لكن هذا الاستنتاج قائم على الارتباط حتى الآن، واعتباره سببية مثبتة سيكون تجاسرًا.

ماذا يعني ذلك للمطورين

بالنسبة إلى الفرق التي تبني المساعدين ووكلاء البرمجة، الفكرة عملية. فردود المستخدمين بعد كل إجابة موجودة أصلًا في السجلات، وهي هدف تدريبي جاهز للتنبؤ بالخطوة التالية. ويستحق مقياس «كم مرة اضطر الإنسان إلى تصحيح النموذج» أن يُضاف إلى جانب الدقة: فتوفير 8–17% من الأدوار في جلسة طويلة محسوس في العمل الفعلي.

وهناك قيود أيضًا. فالمسودة مع التنبؤ والمراجعة تعني رموزًا (tokens) إضافية وزمن استجابة أطول، ولا يتناول الملخص تكلفة الاستدلال. أما الزيادة البالغة 5,5 نقطة مئوية في الرياضيات فمتواضعة، والعمل لا يزال نسخة أولى من ورقة بحثية (preprint) دون تحقق مستقل. وإذا جاء توقّع ردّ الفعل خاطئًا، فقد تقود المراجعة الإجابة إلى وجهة خاطئة. قبل الاعتماد على الأسلوب، من المنطقي تجربته على حوارات الفريق نفسه ومقارنة عدد الأدوار والجودة النهائية بالنموذج الأساسي.