الذكاء الاصطناعي ومشكلات العالم الصعبة · الفيزياء · arXiv · 2026-10-22

الضبط الدقيق لنماذج الاستدلال الصغيرة لنظرية الحقل الكمومي

العنوان الأصلي: Fine-Tuning Small Reasoning Models for Quantum Field Theory

يُجري المؤلفون أول مقارنة أكاديمية بين التعلم المعزز (RL) والضبط الدقيق الخاضع للإشراف (SFT) لنماذج LLMs في مهام حل المشكلات القابلة للتحقق في الفيزياء النظرية، منتقين نظرية المجال الكمومي (QFT) مجالًا رئيسيًا. ونظرًا لندرة بيانات التدريب القابلة للتحقق، بنى المؤلفون خطًا لتوليد البيانات يُنشئ أكثر من 2,500 مسألة اصطناعية ويكيّف في الوقت نفسه مسائل قائمة من إعداد بشري مأخوذة من arXiv ومن موارد تعليمية قياسية لأغراض التدريب. ويحقّق كلا الأسلوبين تحسنًا على النموذج الأساسي في كل مجموعة بيانات، غير أن مكاسب SFT تتركز في المهام الاصطناعية الواقعة ضمن التوزيع، بينما يتمتع RL بتعميم أفضل ويتفوق على SFT في مجموعات البيانات المكيّفة بشريًا وعلى TPBench، كما يُصدر المؤلفون خط توليد البيانات الخاص بهم وبيانات تدريب QFT القابلة للتحقق ونحو 200M توكن من مسارات الاستدلال في QFT، إلى جانب تحليل لتطور أخطاء سلسلة التفكير أثناء التدريب.

اقرأ المصدر الأصلي ↗

جميع العناصر →