محققان در پژوهشی تازه روی مدلهای عصبیِ استدلالگر (مثل Lattice Deduction Transformer)، به نکته جالبی پی بردند. این مدلها در حل بازیهای منطقی مثل سودوکو، به جای جستجوی مرحلهبهمرحله، در همان نگاه اول (First-pass) کل جدول را پیشبینی میکنند!
این رفتار که محققان به آن «مسمومسازیِ مرحله اول» میگویند، باعث میشود مدل گاهی اعداد حیاتی را حذف کند و دچار خطا شود. خبر خوب اینکه با تکنیکهای ساده مثل «تبدیل ارقام» (Digit-permutation)، دقت این مدلها در حل مسائل سخت از زیر ۱٪ به بیش از ۹۶٪ رسیده است. این یعنی معماریهای جدید برای حل مسائل پیچیده، بیش از آنکه به قدرت پردازش مطلق نیاز داشته باشند، به استراتژیهای یادگیری بهینه محتاجند! 🧩🤖
منبع: arXiv Machine Learning