في عالم الذكاء الاصطناعي الحديث، يتجه الباحثون إلى نماذج متطورة تضمن تحسين الأداء وكفاءة التكلفة. تعلن الأبحاث الجديدة عن نظام GRADE (التوجيه المحدد وعمق التكيف)، وهو نظام هرمي متعدد الوكلاء يهدف إلى تحسين التواصل بين الوكلاء الذكيين بطريقة فعّالة.

هل تساءلت يومًا عن كيفية اتخاذ الوكلاء الذكيين قراراتهم؟ يواجه النظام الحالي تحديات كبيرة، حيث يؤدي زيادة عدد الوكلاء إلى تضاعف التكلفة واحتياجات الاستدلال دون إجابة على ثلاثة أسئلة أساسية: من هم الوكلاء الذين يجب استشارتهم؟ كم عمق الاستفسار يجب أن يكون عند التجول في تسلسل الوكلاء؟ ومتى يكون التواصل بين الوكلاء مجديًا من حيث التكلفة؟

هنا يأتي دور نظام GRADE، الذي يعتمد على أربع بوابات خفيفة مدربة بشكل مشترك لتحديد اختيار الوكلاء، وعمق التسلسل، والتواصل بين الوكلاء، وتقليص الفروع. يتم تدريب النظام باستخدام تقنية جديدة تسمى CoGRPO (تحسين السياسة النسبية للمجموعات التعاونية)، التي تتكيف مع التسلسل الهرمي للوكلاء وتقدم إشارة مميزة مشتركة لكل بوابة ووكيل شارك في عملية التنفيذ.

مع متوسط حوالي 17 مليار معلمة نشطة، يتفوق نظام GRADE على جميع النماذج الأخرى في اختبارات GSM8K، MMLUPro، وGPQA، متجاوزًا أقوى نموذج منافس بـ 4.8 نقطة في MMLUPro مع نصف الإحتساب النشط. وعند التعامل مع AIME-2025، حيث يسود عمق النموذج، يظل نظام GRADE تنافسيًا مع الأطر الحالية.

تحليل النتائج يشير إلى أن الهيكل والاهتمام المتقاطع المقيد هما المساهمان الرئيسيان في دقة النظام، كما يظهر أن تعديل كل وكيل بشكل منفصل ضروري لضمان الأمان عند استبدال الوكلاء بسرعة. هذه المستجدات تمثل نقطة تحول في كيفية إدارة أنظمة الذكاء الاصطناعي المعقدة، مما يفتح آفاقًا جديدة في هذا المجال.

ما رأيكم في هذه التطورات المثيرة؟ شاركونا آرائكم في التعليقات!