Lapras يستبدل CoT بالاستدلال الكامن: ارتفاع F1 حتى +10,79% مع توليد رموز أقل بمقدار 23,9 مرة

يقترح فريق Lapras (Latent Post-trained Reasoning Across Series) الاستغناء عن سلسلة الاستدلال النصية في النماذج التي تحلّل السلاسل الزمنية. وفي اختبارات أُجريت على أربعة نماذج أساسية من نوع TSLM وخمسة معايير للأسئلة والأجوبة حول السلاسل الزمنية، ارتفع متوسط F1 بما يصل إلى 10,79% مقارنة بـ Chain-of-Thought الصريح. وفي الوقت نفسه يولّد النموذج رموزًا أقل بمقدار 23,9 مرة. نُشر البحث على arXiv (cs.CL).

أين يخفق CoT في السلاسل الزمنية

تتلقى نماذج Time Series Language Models إشارة متصلة (قراءات المستشعرات، تخطيط القلب، أسعار الأسهم) وتجيب عن الأسئلة بلغة طبيعية. والنهج المعتاد هو CoT: يصف النموذج أولًا خطوة بخطوة ما يراه في السلسلة، ثم يستخلص النتيجة.

لكن في هذا المخطط نقطة ضعف. فالتمثيل المتصل عالي الأبعاد يجب ضغطه في رموز لغوية منفصلة. ويرى المؤلفون أن النموذج قد يفوّت في هذه المرحلة نمطًا مهمًا أو يصفه بدقة ناقصة. وتستند الخطوات اللاحقة إلى الوصف المكتوب أصلًا، فيستمر الخطأ في الانتقال. والنتيجة تفسير يبدو معقولًا لكنه يناقض الإشارة الأصلية. وهذه الإجابات هي الأصعب اكتشافًا، لأنها تبدو مقنعة.

كيف يعمل Lapras

Lapras مرحلة من مراحل ما بعد التدريب (post-training). يستدل النموذج عبر سلسلة من الأفكار المتصلة في فضاء مشترك بين السلسلة الزمنية واللغة، ولا يكتب نصًا إلا للإجابة النهائية. تبقى الخطوات الوسيطة حالات مخفية ولا تُترجم إلى كلمات.

يقوم التدريب على التقطير الذاتي بين «معلّم» و«طالب»:

• المعلّم مدرَّب على مسارات CoT مرجعية ويستدل بصورة صريحة، أي نصيًا.
• الطالب يوائم حالاته المخفية مع حالات المعلّم في مرحلة الإجابة.
• تنتقل القدرة على الاستدلال إلى الحسابات الكامنة لدى الطالب، فلا يحتاج بعد ذلك إلى توليد أوصاف طويلة.

وثمة نقطة مستقلة تتعلق بقابلية التفسير. فيمكن فك ترميز أفكار Lapras المتصلة إلى مسارات استدلال مقروءة بفك الترميز اللغوي القياسي. والتفسير النصي لا يختفي: يمكن الحصول عليه عند الطلب بدلًا من توليده في كل مرة.

ماذا أظهرت التجارب

اختبر المؤلفون الأسلوب على أربعة نماذج أساسية مختلفة من نوع TSLM وخمسة معايير لـ time series QA. وفيما يلي ملخص ما ورد في الملخص العلمي للورقة:

• ارتفاع متوسط F1 مقارنة بـ CoT الصريح بما يصل إلى 10,79%.
• انخفاض عدد الرموز المولَّدة بمقدار 23,9 مرة.
• اختبار أربعة نماذج أساسية وخمسة معايير.
• يمكن فك ترميز الاستدلال الكامن إلى نص دون بنية منفصلة.

لا يتضمن الملخص العلمي أسماء النماذج، ولا تفصيلًا حسب المهام، ولا بيانات عن زمن الاستجابة بالميلي ثانية. ورقم «حتى 10,79%» هو الحد الأقصى وليس المتوسط عبر جميع الإعدادات، كما أنه غير واضح هل يُحتسب بالنقاط المئوية أم كنمو نسبي. ينبغي التحقق من الرقم في النص الكامل والجداول. وكذلك ينبغي التحقق من البحث نفسه لمعرفة مدى إمكانية مقارنته بالأساليب الكامنة الأخرى.

لمن يفيد ذلك عمليًا

يخفّض تقليص الرموز بمقدار 23,9 مرة تكلفة الاستدلال (inference) وزمن استجابته بصورة مباشرة. وفي مراقبة المعدات أو الإشارات الطبية أو السلاسل المالية، حيث تصل الطلبات بشكل متدفق، قد يكون ذلك أهم من تحسّن المقياس. فالإجابات القصيرة أرخص في التوليد، وقلة الخطوات النصية تترك مواضع أقل لتراكم الأخطاء.

على الفرق التي تبني منتجات TSLM أن تنتبه إلى أمرين. أولًا، يلزم توفير مسارات CoT عالية الجودة للمعلّم: فالمخطط لا يستغني عنها. وثانيًا، ينبغي فحص اتساق فك ترميز الأفكار الكامنة إلى نص مع الإشارة الفعلية. فقابلية المسار للقراءة لا تعني بعد أنه صحيح. وقبل الاعتماد على الأسلوب في المجالات الحرجة، يجب تشغيله على بيانات الفريق نفسه ومقارنته بـ CoT التقليدي من حيث F1 وجودة التفسيرات معًا.