في عالم الذكاء الاصطناعي، يقدم نموذج AutoDesign خطوات ثورية في تحويل المصادر متعددة الطرازات إلى مخرجات وسائط متماسكة ومنظمة. يعتمد هذا النموذج على عملية تصميم طويلة المدى (long-horizon agentic process)، مما يعني أنه مركز حول نظام حوامل مخصص (model-harness system) يحاكي التصاميم البشرية ويحسن ذاتيًا من خلال التجارب.

على الرغم من وجود أنظمة تقليدية، تفتقر إلى هذه القدرة على التعلم والتكيف، يأتي AutoDesign ليغير القواعد. فهو يعتمد على مُحسّن حوامل ميتا (meta-harness optimizer) يقود وكيلًا برمجيًا لتحسين التصميمات بناءً على ردود الفعل من الاستخدام الفعلي.

لإثبات فعالية هذا الإطار، تم التركيز على مهمة توليد الملصقات للأبحاث الأكاديمية، وتم تقديم مجموعة بيانات جديدة تُعرف باسم PosterBench. تتضمن هذه المجموعة مسارًا رئيسيًا يضم 100 ورقة بحثية من خمس مجالات مختلفة، بالإضافة إلى مجموعة فرعية مصممة للتحليل الدقيق تُعرف بـ PosterBench-mini.

تظهر النتائج أن AutoDesign حقق أعلى درجة بلغت 78.32، متفوقًا على نظام Claude Design الذي يُعتبر مغلق المصدر بفارق 7.45 نقطة. كما أظهرت التجارب تحسنًا ملحوظًا بفضل تكامل الحوامل المُتعلمة، حيث ارتفعت الدرجات المتوسطة من 54.99 إلى 67.39، بزيادة بلغت 12.4%.

في تجربة أخرى، نفذ AutoDesign حلقة طويلة الأمد بصورة مستقلة، حيث قام بتنفيذ 253 عملية أدوات و11 مرحلة تحرير خلال 40 دقيقة بتكلفة أقل من 3 دولارات، ليحقق جودة مماثلة لتلك التي يقيمها البشر في المؤتمرات.

وأظهرت دراسة سلوكية معتمدة من قبل أشخاص أن AutoDesign نال أعلى تفضيل بشري بين الأنظمة المُقيّمة، مما يبرز إمكانيته الفائقة في مجال تصميم الوسائط متعددة الطرازات.