تتطلب أبحاث الذكاء الاصطناعي العميقة جهات تعمل على إيجاد إجابات تلبي عدة قيود في آن واحد. قد تكون عملية اكتشاف هذه الإجابات مكلفة، بينما يمكن غالبًا تحليل التحقق من المرشحين عن طريق الفحوصات المعنية بشكل يسير. على ضوء هذا، يبدو أن استخدام وكيل بحثي تضاف إليه القدرة على تحسين نفسه بشكل متكرر - كما هو الحال في نموذج AREX - هو السبيل الأمثل للوصول للنتائج الدقيقة.

يقدم AREX عائلة من الوكلاء ذاتية التحسين (RSI)، حيث يتبادل النموذج بين حلقتين: حلقة بحث داخلية تجمع الأدلة وتبني إجابة مؤقتة، وحلقة تحسن ذاتي خارجية تقوم بمراجعة هذه الإجابة بشكل يعتمد على القيود المفروضة، وتحدد الادعاءات غير المحلولة، وتطلق أبحاث متابعة مستهدفة.

لضمان استمرارية التحسين الذاتي على المدى الطويل، يقوم AREX بتعلم أداة تحديث السياق بشكل مستقل، تقوم بضغط تاريخ التفاعل المتزايد إلى حالة تحسين مضغوطة، مما يحافظ على الأدلة الموثوقة والقيود غير المحلولة، دون الاعتماد على نموذج خارجي.

تم تدريب نموذج AREX على مهام اصطناعية موثوقة ومسارات عالية الجودة من خلال التعلم العميق من حيث الوكيل والتعلم التعزيزي على المدى الطويل. ولتقليل المكافآت النهائية النادرة خلال فترة التعلم الطويل، تم التركيز على الخطوات الأساسية التي يتم خلالها اكتساب أدلة حاسمة أو تصحيح الاتجاهات البحثية الخاطئة.

يجسد النموذج AREX نموذجًا معقدًا يحتوي على 4 مليارات معلم و122 مليار معلم ضمن نموذج امزجة من الخبراء. وعبر مجموعة متنوعة من الاختبارات مثل BrowseComp وWideSearch وDeepSearchQA، تظهر AREX أداءً بارزًا يتفوق على نماذج المعيار القابلة للمقارنة، وما زالت في وضع تنافسي مع نماذج تستخدم معلمات مفعلّة بكثافة أكبر.

إن AREX ليست مجرد خطوة إلى الأمام في تقنيات البحث، بل تمثل طفرة ستساهم في تحسين جودة الأبحاث وتأمين نتائج دقيقة، مما يوفر الوقت والتكلفة.

ما رأيكم في هذا التطور الرائع؟ شاركونا آرائكم في التعليقات!