Yapay zeka alanında büyük akıl yürütme modelleri, karmaşık problemleri çözmek için uzun düşünce zincirleri oluşturuyor. Ancak bu detaylı süreç, sistemlerin yavaş çalışmasına ve yüksek hesaplama maliyetine yol açıyor.
Araştırmacılar bu sorunu çözmek için CoSMo (Consistency-Guided Split-Merge Optimization) adlı yenilikçi bir framework geliştirdi. Bu sistem, sadece token sayısını kısıtlamak yerine, yapısal gereksizlikleri ortadan kaldırmaya odaklanıyor.
CoSMo'nun çalışma prensibi oldukça akıllıca: Sistem, düşünce zincirlerindeki gereksiz tekrarları birleştirirken, mantık boşluklarını tespit edip bu bölümleri genişletiyor. Bu dinamik süreç, modelin tutarlı akıl yürütme yapmasını sağlıyor.
Framework ayrıca yapı-uyumlu pekiştirmeli öğrenme tekniği kullanıyor. Bu yöntem, modelin eğitim sürecinde etkili akıl yürütme yapılarını korumasını sağlayan segment-düzeyinde bir bütçe sistemi içeriyor.
Çoklu benchmark testlerde gerçekleştirilen kapsamlı deneyler, CoSMo'nun başarısını kanıtlıyor. Bu gelişme, yapay zeka sistemlerinin hem hız hem de verimlilik açısından önemli ilerlemeler kaydetmesine olanak sağlayabilir.