تُعد عملية تحسين نماذج اللغة مشوارًا دقيقًا يتطلب تكييف وتطوير البيانات المستخدمة في التدريب بشكل مستمر. في هذا السياق، تم تقديم مفهوم BoundaryEvo، وهو إطار عمل ثنائي المراحل يهدف إلى تحسين قدرة النماذج على التفكير بطرق طويلة السلاسل (long-chain reasoning).

الأسلوب الجديد يعتمد على فكرة مهمة: يتمثل التحدي في كيفية تقليل الفجوة بين قدرات النموذج المتعلم (المتعلم) والبيانات التي يتم تدريبها عليه. غالبًا ما تُختار مجموعات التدريب ثابته دون النظر إلى الاحتياجات المتغيرة للنموذج، مما يؤثر سلبًا على فعالية التعلم. هنا يأتي دور BoundaryEvo، الذي يبدأ بتأسيس قدرة التفكير الأساسية ثم يقوم بتكييف البيانات التدريبية مع الحدود المتطورة لقدرات الطالب.

في المرحلة الأولى، المعروفة باسم Capability Priming، يتم استخلاص مجموعة صغيرة من مسارات التفكير الطويلة التي أنشأها المعلم دون الحاجة لاستخدام نموذج منفصل للمساعدة في تقييم وتصفية هذه المسارات، مما يمكّن النموذج المتعلم من اكتساب قدرة تفكير مبدئية.

ثم، في المرحلة الثانية، تتجلى فكرة Co-Evolution عبر تحديد الأسئلة التي لم يتقنها الطالب بعد، ولكن يمكن للخبير الإجابة عليها بدقة. هذا يسمح بتحديث مستمر للبيانات التدريبية بما يتماشى مع تطور قدرات النموذج، مما ينتج عنه تحسن كبير في دقة النماذج.

وفي الاختبارات، أثبت BoundaryEvo تفوقه حيث نجح في زيادة دقة نموذج Qwen3.5-4B من 62.9% إلى 75.3% على IMO-AnswerBench، ومن 26.8% إلى 46.0% على AMO-Bench، وذلك باستخدام 1000 مثال تدريبي فقط. يُذكر أن الشيفرة والبيانات ستكون متاحة للجمهور قريبًا، مما يمكّن الباحثين والمطورين من الاستفادة من هذه التقنيات المتطورة.

وفي نهاية المطاف، يُعد BoundaryEvo خطوة مهمة نحو المستقبل في مجال الذكاء الاصطناعي، حيث يسعى لتحسين قدرة النماذج على التعلم واجتياز التحديات المختلفة بفعالية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!