في عصر يتسارع فيه تطور الذكاء الاصطناعي، يظهر A-ProS كنموذج مبتكر يسعى إلى تلبية احتياجات البرمجة الذاتية الموثوقة من خلال التغذية الراجعة المتعددة النماذج. يُعتبر نموذج اللغات الكبير (Large Language Model) مثلاً، أداة قوية يمكنها توليد الأكواد بشكل آلي، ولكن ماذا عن تحسين هذه الحلول باستخدام التغذية الراجعة الناتجة عن التنفيذ؟ هذا ما يستكشفه A-ProS من خلال إدخاله في واجبات البرمجة التنافسية.

وتعتبر البرمجة التنافسية مناسبة مثالية لهذا التحقيق نظرًا لمتطلباتها العالية التي تشمل التفكير الخوارزمي الشامل، والتنفيذ الدقيق تحت قيود حسابية صارمة، والتقييم الدقيق للوظائف. A-ProS يشتمل على آليات متطورة تتيح تحسين البرمجيات بطريقة مبتكرة، حيث يعمل على فصل عملية توليد الحلول عن تصحيح البرامج.

هذا النظام يعتمد على نماذج توليد قائمة على ChatGPT (GPT-4 و GPT-5) بالإضافة إلى ثلاثة نماذج تصحيحية هي Codestral-2508 و Llama-3.3-70B و DeepSeek-R1، وذلك ضمن تصميم تجريبي ذو نمط 2 × 3. تم اختبار A-ProS على 367 مسألة من بطولات ICPC العالمية للفترة ما بين 2011 و2024 وCodeforces.

أظهرت النتائج أن تدفقات العمل التي تعتمد على GPT-5 تمكنت من تحسين نسبة الحلول المقبولة من 39 إلى 85-90 بعد ثلاث جولات من التحسين، بينما حققت تدفقات العمل التي تعتمد على GPT-4 زيادة من 15 إلى 31-38. وفي دراسة تحليلية خاضعة للرقابة على 47 مشكلة، تبين أن تحسين الحالة يمثل الفوز الكبير، حيث تفوق على المناهج المستقلة بنسبة تتراوح بين 8.5 و10.6 نقاط.

علاوة على ذلك، حقق A-ProS نتائج تفوق الزيادة بنسبة أكثر من 2x مقارنة بدورات وكيل الأساس، مما يبرز أهمية التحكم المستمر في السياق وتغذية الراجعة المتعددة النماذج في عملية توليف البرامج الذاتية الموثوقة.

هل أنتم متحمسون لمعرفة المزيد عن مستقبل البرمجة الذاتية باستخدام الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!