في عالم الذكاء الاصطناعي، يتزايد التركيز على تدريب الوكلاء النهائيين (Terminal Agents) في بيئات تفاعلية قابلة للتحقق. لكن مع تطور النماذج الكبيرة (Large Language Models)، تواجه هذه البيئات تحديات جديدة، إذ أنها تصبح أقل تعقيدًا، مما يحد من فعالية التعلم. لذا، قدمت الأبحاث الجديدة مفهوم "تطور البيئة"، وهو نهج مبتكر يزيد من صعوبة البيئات بشكل تدريجي، مما يتيح للوكيل المزيد من الفرص للتعلم.

يستند هذا البحث إلى فكرة أن البيئات التي تتطور بشكل مستمر تضمن توفير إشارات تعلم متواصلة تُبقي الوكلاء على أطراف أصابعهم. بدلاً من الاعتماد على التشغيل الذاتي (on-policy) الذي يقيد التعميم، يُقترح استخدام بيئات متطورة تعزز التفاعل المعقد بين النماذج والبيئات.

يتضمن البحث ثلاثة اتجاهات تطورية تؤثر على صعوبة البيئة استنادًا إلى أهداف التعلم متعددة الجولات. ولقد تم تنفيذ هذه التطورات داخل نظام معجمي متعدد الوكلاء الهندسي.

تُظهر التجارب الكمية على نماذج مثل Hy4 وClaude Opus 5 وGPT-5.6 Sol أن تطور البيئة يؤدي باستمرار إلى تصنيع بيئات أكثر صعوبة. ولقد تم التحقق من فعالية هذا النهج على نماذج مثل Qwen3.6-27B وQwen3.6-35B-A3B، حيث حققت تحسينات ملموسة في الأداء بنسبة 14.4 و18.0 نقطة مئوية، على التوالي في تقييم Terminal-Bench 2.1.

هل أنتم مستعدون لاستكشاف كيف يمكن أن تؤدي بيئات التعلم المتطورة إلى خطوات جديدة في عالم الذكاء الاصطناعي؟