في عالم الذكاء الاصطناعي، يعود الابتكار إلى الواجهة مع النظام الجديد المعروف باسم DiagEvo. يعد DiagEvo تطوراً كبيراً في طريقة تعزيز أداء نماذج اللغة عن طريق استغلال تاريخ الأخطاء. فبدلاً من الاعتماد على مصادر خارجية لإرشاد التطور، يستفيد DiagEvo من الأخطاء المتكررة التي ارتكبها النموذج ويستخدمها لبناء ذاكرة أخطاء هرمية.

كيف يعمل DiagEvo؟ يقوم ما يُعرف بالمُشخّص (diagnostician) بتحديد الأسباب الجذرية للأخطاء المتكررة وتخزينها بشكل منظم. هذه الذاكرة لا تكتفي بتجميع الأخطاء، بل تصنفها تحت نقاط مهارة معينة وتتابع حالتها، سواء كانت نشطة أو متقنة، بناءً على الاتساق الذاتي في الأسئلة المستهدفة.

تساهم هذه المنهجية في تحسين عملية التعلم، حيث يتم استهداف الأسئلة التي تمثل نقاط ضعف حقيقية للنموذج، مما يساعده على التركيز على الجوانب التي يحتاج إلى تطويرها. ويُظهر DiagEvo أرقى مستويات الدقة، حيث يتفوق على جميع النماذج الأخرى في الأداء عبر تسعة معايير، مع تحقيقه دقة نسبتها 72.3% في اختبار التفكير الرياضي على نموذج Qwen3-8B، متفوقاً بفارق 4.5 نقطة مئوية عن النموذج المنافس R-Zero.

إذاً، ما هي أهميته؟ يفتح DiagEvo آفاقاً جديدة في مجال بحوث الذكاء الاصطناعي، حيث يمكن لهذا النوع من التطور الذاتي أن يحدث ثورة في كيفية تدريب الأنظمة المعقدة. حيث يتمتع DiagEvo بميزة فريدة وهي الاستفادة من المعلومات الناتجة أثناء عمليات اللعب الذاتي، مما يرفع كفاءة النموذج بدون الحاجة إلى موارد خارجية.

في النهاية، إن القدرة على التعلم من الأخطاء بطريقة منهجية ليست مجرد إضافة لنماذج الذكاء الاصطناعي، بل قد تمثل تحولاً جذرياً في كيفية فهم الذات وتطويرها. فما رأيكم في هذا التطور الثوري؟ شاركونا بأفكاركم!