TIME: Temporally Intelligent Meta-reasoning Engine for Context-Triggered Explicit Reasoning
تقدم الورقة البحثية إطار العمل TIME، وهو إطار للمحاذاة السلوكية يدرب النماذج اللغوية على استدعاء دفعات استدلال صريحة في مكانها ومحفزة سياقياً بناءً على إشارات زمنية، مما يحسن الحساسية الزمنية وكفاءة الاستدلال بشكل كبير مع تقليل عبء الرموز (tokens) بشكل هائل مقارنة بنهج الاستدلال التقليدي المسبق.
التشبيه: بدلاً من كتابة مذكرات ضخمة في بداية اليوم، يُسمح للروبوت بكتابة ملاحظات لاصقة صغيرة في أي مكان داخل المحادثة.
الوظيفة: يمكن للروبوت إدراج فقاعة فكر قصيرة في منتصف الإجابة إذا استشعر وجود مشكلة. "انتظر، المستخدم قال إنها تمطر، لكن الطابع الزمني يشير إلى أن الوقت هو الظهر في صحراء. دعني أتحقق من ذلك."
التدريب: مدرسة من أربع خطوات
لم يكتفِ الباحثون بإخبار الروبوت بالتغيير فحسب؛ بل دربوه كطالب في منهج مدرسي مكون من أربع خطوات:
تعلم الأبجدية: تعليم الروبوت كيفية قراءة الطوابع الزمنية وكتابة فقاعات أفكاره الصغيرة بشكل صحيح.
تعلم الوقت: عرض محادثات على الروبوت حيث يمر الوقت (فجوات، ثوانٍ) ليتعلم أن "الصمت" يعني "التغيير".
تعلم السياق: تعليم الروبوت كيفية التفاعل مع المواقف المختلفة. إذا كان المستخدم في عجلة من أمره، كن مختصراً. إذا كان المستخدم مرتبكاً، كن مفصلاً.
الامتحان النهائي: مجموعة صغيرة ومتنوعة جداً من المحادثات الصعبة. كان على الروبوت تعلم القاعدة (فكر فقط عند الحاجة) بدلاً من حفظ إجابات محددة.
النتائج: أذكى وأسرع
اختبر الباحثون روبوت "TIME" الجديد مقابل روبوت "وضع التفكير" القديم باستخدام اختبار خاص يسمى TIMEBench. لم يطلب هذا الاختبار أسئلة رياضية؛ بل سأل أسئلة حول الوقت والسياق.
الروبوت القديم: غالباً ما فشل في ملاحظة مرور الوقت أو اقتراب موعد نهائي. كما أنه أهدر الكثير من الطاقة في كتابة أفكار طويلة للمهام البسيطة.
روبوت TIME:
سجل درجات أعلى: كان أفضل بكثير في إدراك متى أصبحت الافتراضات قديمة (مثلاً: "لقد سألت عن فيلم الأسبوع الماضي، لكنه خرج من دور العرض الآن").
استخدم طاقة أقل: قلل من نص "التفكير" الذي كتبه بنحو 10 مرات. لقد فكر فقط عندما احتاج إلى ذلك حقاً.
توزيع أفضل: بدلاً من التفكير في البداية تماماً، فكر في منتصف الإجابة عندما ظهر دليل جديد.
الخلاصة
يزعم البحث أنه من خلال تعليم النماذج اللغوية معاملة الوقت كإشارة لموعد التفكير، يمكننا جعلها:
أكثر كفاءة (طاقة حوسبة أقل مهدرة).
أكثر دقة في المحادثات الطويلة (فهي تتذكر أن الوقت يمر والأشياء تتغير).
أكثر مرونة (يمكنها التوقف لإعادة التفكير إذا تغير الموقف في منتصف المحادثة).
يسمي المؤلفون هذا "تحولاً سلوكياً". هم لا يجعلون الروبوت أذكى في الرياضيات فحسب؛ بل يعلمونه كيف يكون شريكاً حوارياً أفضل يعرف متى يتوقف، ويفكر، ويتكيف.
الكتل (Blocks): استباقات استدلالية قصيرة اختيارية يمكن أن تظهر في أي مكان في الاستجابة (البداية، المنتصف، أو النهاية)، مما يسمح بإعادة تحفيز الاستدلال ضمن جولة واحدة. 2. أحداث التكتكة (Tick Events): أدوار المستخدم التي تحتوي فقط على طابع زمني، مما يمثل مرور وقت صامت دون نص جديد.
منهج التدريب
يعمل الإطار على محاذاة نماذج Qwen3 الكثيفة (4B، 8B، 14B، و32B بارامتر) باستخدام منهج تدريب إشرافي دقيق (SFT) مكون من أربع مراحل:
المرحلة 1 (البذر الهيكلي): تقديم العناصر الأولية وتنسيقات المخرجات باستخدام بيانات أحادية الجولة اصطناعية لتعليم النموذج استدلالاً مدمجاً ومحدداً بدقة.
المرحلة 2 (التعرض الزمني): استخدام حوارات ثنائية الجولة مع فجوات زمنية وأحداث تكتكة لتعليم النموذج كيفية التكيف مع البيانات الوصفية الزمنية، ومراجعة الافتراضات بعد الصمت، وكبح الإسهاب عندما لا يكون ضرورياً.
المرحلة 3 (التعديل السياقي): التوسع إلى إعدادات متعددة الجولات، لتدريب النموذج على كبح أو إعادة تحفيز كتل الاستدلال في ظل تغير السياق وزيادة وتيرة أحداث التكتكة.
المرحلة 4 (التقارب المتوافق مع التدرج): خطوة محاذاة حاسمة باستخدام مجموعة كاملة صغيرة (128 عينة)، متنوعة لأقصى حد. تعزل هذه المجموعة الثابت المستهدف: استباقات الاستدلال التي يتم تحفيزها فقط بواسطة الإشارات الزمنية أو الخطابية. تستخدم هذه المرحلة تحديثات كاملة الحزمة حتمية لتركيز التدرجات على السياسة مع تجنب تباين أخذ العينات.
التقييم: TIMEBench
قدم المؤلفون TIMEBench، وهو معيار تشخيصي يتكون من 77 سيناريو عبر سبعة فئات. بخلاف المعايير التي تركز على استرجاع الحقائق الزمنية، يختبر TIMEBench الاستدلال تحت الانقطاع الزمني، والخلل، وإعادة التمركز السياقي. وتشمل الفئات:
الاسترجاع الكرونولوجي (الزمني)
كشف الوقت غير الصالح
التكيف الزمني (مثل اقتراب المواعيد النهائية)
الوعي بالسياق الزمني (مثل العطلات، أو سياقات وقت متأخر من الليل)
كشف خلل التدفق الزمني (مثل القفزات الزمنية المستحيلة)
الوعي بفجوة الوقت
الحساسية للمناطق الزمنية
يستخدم التقييم نموذج لغة كحكم (LLM-as-a-Judge) (غير مطلع على المطالبات والطوابع الزمنية) مع تسجيل درجات ثنائي وفترات ثقة مستندة إلى Bootstrap.
النتائج الرئيسية
عبر جميع أحجام النماذج (من 4B إلى 32B)، تفوقت نماذج TIME بشكل كبير على نماذج Qwen3 الأساسية في وضعي "عدم التفكير" و"التفكير" على معيار TIMEBench:
مكاسب الأداء: حقق نموذج TIME-32B درجة قدرها 64.81، مقارنة بـ 37.40 لنموذج Qwen3-32B الأساسي في وضع التفكير و 31.82 في وضع عدم التفكير. لوحظت تحسينات مماثلة عبر نماذج 4B و8B و14B.
الدلالة الإحصائية: كانت التحسينات ذات دلالة إحصائية (p<0.001) عبر جميع المقاييس عبر اختبارات Wilcoxon signed-rank.
الكفاءة والهيكلية:
تقليل الرموز (Tokens): قللت نماذج TIME رموز الاستدلال الصريحة بنحو عشرة أضعاف تقريباً (على سبيل المثال، ~84 رمز استدلال لكل تشغيل لـ TIME-32B مقابل ~911 لوضع التفكير الأساسي).
إزاحة الموضع: انتقل موقع الاستدلال من كونه متركزاً في البداية (100% في البداية للنماذج الأساسية) إلى كونه متركزاً بشكل أساسي في منتصف الدور (75.6% لـ TIME-32B).
التدهور (Degeneracy): أظهرت نماذج TIME معدلات أقل بكثير من تدهور المخرجات (على سبيل المثال، 3.64% لـ TIME-32B مقابل 18.18% لوضع التفكير الأساسي).
الأهمية والادعاءات
يزعم البحث أن TIME تثبت أن الاستدلال الصريح يمكن محاذاته كـ سياسة مختارة ومحفزة سياقياً بدلاً من أسلوب فك تشفير ثابت. تكمن أهمية العمل في:
التحول السلوكي: الانتقال من الاستدلال "دائم التشغيل" أو "المغلق تماماً" إلى سياسة يتم فيها نشر الاستدلال بشكل انتقائي استجابة لتغيرات الحالة الكامنة التي تشير إليها الإشارات الزمنية.
تحسين القابلية للتدقيق: من خلال استخدام كتل استدلال قصيرة وموضعية، يصبح الربط بين ادعاءات محددة ومبرراتها أكثر مباشرة.
الإدراك الزمني: يوضح الإطار أن النماذج يمكنها تعلم استخدام الزمن ليس فقط كمحتوى للاسترجاع، بل كأداة هيكلية لاستكشاف تغيرات السياق الكامنة (مثل الافتراضات القديمة، أو الاستعجال) التي تتطلب إعادة التمركز.
القيود والنطاق
يشير المؤلفون صراحة إلى القيود التالية:
نطاق النموذج: تقتصر التجارب على نماذج الاستدلال الهجينة الكثيفة من عائلة Qwen3؛ ولا يتم الادعاء بتعميم النتائج على نماذج التعليمات النقية أو بنيات خليط الخبراء (MoE).
نطاق المعيار: يعد TIMEBench أداة تشخيصية أولية بـ 77 سيناريو؛ ولا يقيم الأداء في معايير المهام الأوسع مثل الرياضيات العامة أو البرمجة.
طريقة التقييم: تعتمد الدرجات على نموذج لغة كحكم (LLM-as-a-Judge) بدلاً من التقييم البشري، مما يؤدي إلى ضجيج محتمل في التقييم.
التفسير الآلي: يتناول العمل متى وكيف يتم إظهار الاستدلال، لكنه لا يقدم تفسيراً آلياً لحالات النموذج الأساسية.
اللغة: أُجريت التجارب باللغة الإنجليزية فقط.
يخلص البحث إلى أن TIME وTIMEBench يوفران أساساً لتعليم النماذج نشر الاستدلال الصريح بشكل انتقائي، رغم أن التعميم الأوسع والمعايير الأكثر قوة تظل مجالات مفتوحة للعمل المستقبلي.