المشكلة: الجشع المحلي في AR وضعف السببية في DLM
تعاني النماذج ذاتية الانحدار من الجشع المحلي. وغالبًا ما تفتقر نماذج اللغة الانتشارية إلى بنية سببية صارمة للاستدلال.
| نوع النموذج | القيد |
|---|---|
| AR | الجشع المحلي |
| DLM | نقص البنية السببية الصارمة للاستدلال |
الخلاصة: يتطلب الاستدلال آلية تربط التوليد بالقيود السببية. المعيار العملي: التحقق من قدرة النموذج على الحفاظ على البنية المنطقية في الخطوات الوسيطة.
الإطار ومهمته
CaLR هو إطار للاستدلال المستقر لنماذج الانتشار. ويصوغ الاستدلال على أنه تحسين كامن مقيّد. الاسم الكامل: «CaLR: Causal Latent Revision for Robust Diffusion Reasoning». المؤلفون: Wei Cai, Jian Zhao, Yuchen Yuan, Xuelong Li. تاريخ التقديم: 17 سبتمبر 2026.
الخلاصة: يربط CaLR الاستدلال المستقر بتحسين التمثيل الكامن. المعيار العملي: اختيار الطريقة إذا كانت المهمة تتطلب بنية سببية في الاستدلال.
مكوّنات النهج
يستخدم CaLR ثلاثة عناصر. الأول هو مصفوفة الطوبولوجيا السببية (CTM). ويحصل على المصفوفة من نموذج خبير. والثاني هو التفاضل الضمني. والثالث هو «مراجعة الأفكار» الموجّهة بالتدرّج.
مصفوفة الطوبولوجيا السببية (CTM)
CTM هي مصفوفة طوبولوجية سببية. ومصدرها نموذج خبير.
التفاضل الضمني
يستخدم CaLR التفاضل الضمني.
«مراجعة الأفكار» الموجّهة بالتدرّج
تهدف هذه العملية إلى ضمان الاتساق المنطقي. كما تهدف إلى التصحيح الذاتي الديناميكي للخطوات الوسيطة أثناء التوليد المتوازي.
الخلاصة: توفر CTM البنية السببية، ويدخل التفاضل الضمني في عملية التحسين، وتصحّح مراجعة الأفكار الخطوات. المعيار العملي: التحقق من وجود مصدر للبنية السببية وآلية للتصحيح.
النتائج المُعلنة
يحقق CaLR أداءً بمستوى SOTA لنماذج DLM على معايير صعبة. ويتفوق الإطار على خطوط أساس قوية من AR. كما يُظهر استقرارًا معززًا في المهام ذات القيود، مثل سودوكو.
| الخاصية | النتيجة |
|---|---|
| أداء DLM | SOTA على معايير صعبة |
| المقارنة مع AR | يتفوق على خطوط أساس قوية من AR |
| الاستقرار | استقرار معزز في المهام ذات القيود، مثل سودوكو |
الخلاصة: تتعلق المزايا المُعلنة بالمعايير الصعبة والمهام ذات القيود. المعيار العملي: مواءمة متطلبات المهمة مع الاستقرار في المهام ذات القيود. ولا تتضمن ملخصات البيانات معلومات عن السيناريوهات الأخرى.
