في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى وكالات نشطة قادرة على التخطيط والتفاعل بفاعلية مع المستخدمين. ولتلبية هذه الحاجة، ظهرت نماذج اللغات الكبيرة النشطة (Proactive Large Language Models) التي تسعى لتجاوز مجرد تنفيذ التعليمات. هذه الوكالات تلعب دوراً محورياً في التطبيقات الحقيقية التي تركز على المستخدمين، حيث تتطلب الكثير من السيناريوهات التفاعل الديناميكي والمتواصل.

مؤخراً، تم تقديم إطار Behavioral Agentic Optimization (BAO) الذي يمثل طفرة في تدريب الوكالات النشطة باستخدام التعلم المعزز (Reinforcement Learning). يعمل BAO على تحسين السلوكيات بين الجولات، ما يساعد في جمع المعلومات بشكل أفضل وتقليل التفاعلات غير الفعالة مع المستخدمين.

على الرغم من التطورات المبهرة، كانت الأنظمة الحالية تواجه تحديًا حادًا في توازن أداء المهام مع انخراط المستخدمين، حيث أن الوكالات السلبية لا تستطيع التكيف بشكل فعال مع نوايا المستخدمين. كما أن الاستخدام المفرط للتعليقات البشرية يزيد من العبء على المستخدمين، مما يُشكّل حاجزاً بين هذين الهدفين.

أثبت BAO فعاليته من خلال تقييمه على عدة مهام ضمن مجموعة اختبار UserRL، حيث يُظهر أداءً متفوقاً مقارنة بالنماذج الحالية. ليس ذلك فحسب، بل ينافس أيضاً الوكالات التجارية الكبرى في هذا المجال، مما يُبرز قدرته على تدريب وكالات نشطة موجهة نحو المستخدم في سيناريوهات متعددة الجولات.

يمكنكم الاطلاع على المزيد من المعلومات حول هذا التطور الرائد من خلال زيارة الموقع الرسمي: رابط الموقع الرسمي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!