في عالم الذكاء الاصطناعي، تلعب نماذج اللغات الضخمة (Large Language Models) دورًا محوريًا. مع التقدم الكبير في مجال التعلم المتزايد، أصبح بالإمكان لهذه النماذج أن تكتسب معرفة متعلقة بالمهام من سياقات استنتاجية دون الحاجة لتغيير المعلمات. على سبيل المثال، توفر الطرق الحالية مثل ACE وGEPA القدرة على تعلم تعليمات النظام لتحسين الدقة استنادًا إلى التجارب السابقة للوكيل.

ومع ذلك، تركز هذه الأساليب بشكل أساسي على الإعدادات ذات الوكيل الفردي أو انخفاض التوازي، مما يحد من قدرتها على التعلم بفعالية من مجموعة كبيرة من الآثار الوكيلة المجمعة. يعد التعلم المتوازي أمرًا ضروريًا، خاصة في ظل الاتجاه المتزايد نحو التعلم من العديد من الآثار الوكيلة أو تنفيذات الوكلاء المتوازية.

لكن، تفتقر الأساليب الحالية إلى استراتيجية مبدئية للتوسع، مما يؤدي إلى تدهور الجودة عند زيادة التوازي. هنا تأتي قيمة كومبي، الإطار الجديد الذي يقترح طريقة للتوسع في التعلم المتوازي لوكلاء ذاتية التحسين.

كومبي لا يعزز فقط الكفاءة، بل يتيح تشغيل العديد من الوكلاء في وقت واحد مع التعلم من آثارهم المجمعة دون تدهور الجودة. يعتمد كومبي على مسح متوازي ويستخدم آلية خلط محسّنة؛ كما يقدم وحدة تحكم ديناميكية لحجم الدفعات لتحقيق التوازن بين الجودة والتأخير.

أظهرت التقييمات على تطبيقات مثل AppWorld وTerminal-Bench وFormula وFiNER أن كومبي يحقق تسريعًا يصل إلى 17 ضعفًا مقارنة بالأساليب السابقة مع الحفاظ على دقة مماثلة أو أفضل وبكلفة معادلة.