في عالم البرمجة المتسارع والتطورات المتنامية في الذكاء الاصطناعي، يبرز مشروع جديد يُعرف باسم BackendForge كأحد الأدوات الرائدة في قياس قدرات نماذج اللغات الضخمة (Large Language Models) في توليد الأكواد البرمجية. تستخدم هذه النماذج في إعدادات برمجية تتسم بالطابع الوكالي، حيث يمكن لها فحص الملفات، وتنفيذ الأوامر، وتشغيل الاختبارات، وملاحظة الأخطاء، وإعادة مراجعة الأكواد بشكل دوري.

يسلط مشروع BackendForge الضوء على تساؤل مركز: هل يمكن لنموذج لغوي وكالي إنتاج منتج برمجي كامل يمكن نشره، ويعمل بشكل سليم عند التنفيذ؟ تعتبر الخدمات الخلفية (Backend Services) البيئة المثالية لإجراء هذا التقييم، حيث توفر واجهات برمجة التطبيقات (APIs) التي تعرض السلوك القابل للتنفيذ على مستوى التطبيقات، مما يسمح بالتحقق من السلوك بطريقة موضوعية من خلال التفاعلات HTTP.

يقدم BackendForge معياراً يتضمن 56 مهمة لتوليد الأكواد الخلفية، مستندة إلى عقود محددة وبيانات مفتوحة المصدر. يتعين على النموذج اللغوي توليد خدمة Dockerized، تُبنى وتُنشر ويتم تقييمها فقط من خلال اختبارات HTTP.

لتعزيز عملية التقييم دون الحاجة إلى شروط مخفية، يستخدم BackendForge وكيل اختبار ووكيل أكواد لتطوير البرنامج المرجعي ونتائج الاختبار بشكل مشترك. يقترح وكيل الاختبار اختبارات قائمة على المواصفات، بينما يقوم وكيل الأكواد بإصلاح التنفيذ المرجعي.

رغم أداء النموذج الأفضل، GPT-5.5، الذي وفق في 55.4% من المهام تحت نظام التقييم الأساسي، إلا أنه حقق نجاحاً بـ 28.6% فقط تحت نظام التقييم النهائي. يشير هذا الفارق إلى أن النماذج الحالية لا تزال قادرة على تنفيذ العديد من السلوكيات المحليّة لواجهات برمجة التطبيقات، لكنها تعاني من إنتاج خدمات خلفية كاملة.

لقد أصبح واضحاً أن التطورات المستمرة في مجال الذكاء الاصطناعي لا تقتصر فقط على تحسين أداء نماذج اللغات الضخمة، بل أيضاً في فهم الفجوات التي لا تزال بحاجة إلى معالجة. كيف يمكن لهذه التقنيات أن تتطور نحو مزيد من الكفاءة والإبداع؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.