في عالم الذكاء الاصطناعي، يبرز مفهوم "التدريب في زمن الاختبار" (Test-Time Training - TTT) كأحد التطورات المثيرة التي تتيح للأنظمة الذكية تعديل معلماتها استنادًا إلى المعلومات المستمدة من المدخلات المُختبرة، مما يعزز أدائها بصورة ملحوظة في بيئات مثل المسابقات الدولية أو التحديات المُحددة. لكن عملية TTT ليست ناجحة دائماً، حيث تعتمد فعالية كل خوارزمية على السياق المُطبق فيه. وهنا يظهر الابتكار الجديد: Agentic-TTT.

تُعتبر Agentic-TTT خطوة هائلة نحو تمكين النماذج من التحسين الذاتي، حيث يُمكن للنموذج اتخاذ قرارات حول متى يكون التدريب في زمن الاختبار مناسباً، أي الخوارزمية يجب استخدامها، وما إذا كان يمكن إعادة استخدام مهارات موجودة سابقاً. يتمثل الابتكار الرئيسي في أن Agentic-TTT تتعلم سياسة زمن الاختبار (Test-Time Policy) لتوجيه تلك القرارات.

من خلال تحويل إجراءات TTT إلى أدوات قابلة للاستخدام ومعاملة المهارات المكتسبة كبيئة تطور ديناميكية، تتزامن هذه التقنية الجديدة مع تحسين أداء النموذج لنحو الضعف على النموذج الأساسي، كما أنها تعلّم النموذج كيفية موازنة الفائدة مع الموارد المطلوبة. وقد أظهرت النتائج، من ضمن تجاربنا الرائدة، أن Agentic-TTT يمكن أن تعمم اداءً جيداً في مجالات لم تُدَرَّب عليها من قبل.

ترسم هذه النتائج طريقاً نحو تحسين ذاتي جذري: نماذج قادرة على تحديد كيفية الاستفادة من تجاربها الخاصة مع التوظيف، مما يقدم أفقاً جديداً في مجال الذكاء الاصطناعي ومكانته المستقبلية.