شهدت هندسة التعلم الآلي المستقل (MLE) في الآونة الأخيرة تقدمًا ملحوظًا، حيث حققت نماذج جديدة نتائج مبهرة على لوحات الصدارة العامة. غير أن هذه النماذج غالبًا ما تعتمد على هياكل متطورة، تتضمن منسقين متعددين ووكلاء استرجاع تخصصيين، مما يثير تساؤلات حول فعالية هذه التعقيدات.

تأتي هذه القفزة في الأداء في سياق محاولات التغلب على جمود التقدم الذي يتسم به التطوير على المدى الطويل، فضلاً عن محدودية النماذج اللغوية الضخمة (LLM) المتاحة. وبالرغم من تعدد الهياكل المستخدمة، بقيت النماذج البرمجية الأساسية التي تتحكم في بيئة التنفيذ من حيث القراءة والكتابة والعمل على سطر الأوامر لم تحظَ بالاهتمام الكافي.

في ورقة بحثية حديثة، تم الكشف عن أن للهيكل المفتوح المعتمد على الوكلاء المتنوعين لا يقدم أي مزايا تحت نفس ميزانية الوقت والهيكل الأساسي لنموذج LLM. إن الأداء يتحدد في الأساس بالنموذج نفسه، مما يعني أن الجهود المبذولة في إنشاء هياكل متطورة قد تكون مضيعة في ظل مؤشرات أداء محددة.

تشير الدراسات الكبيرة التي أُجريت إلى أن طبقات الماكينة تصبح زائدة وغير ضرورية عند الحديث عن نماذج برمجية بسيطة، مما يطرح اعتبارًا جديدًا حول كيفية الانتقال الفعال من نماذج إلى أخرى. في الختام، يبدو أن التركيز على توفير هياكل يدوية حول نماذج قوية قد لا يحقق عوائد مرضية في ظل المقاييس الحالية لقطاع التعلم الآلي المستقل.