في عالم الذكاء الاصطناعي، يعتمد اكتشاف البرامج المدفوعة بواسطة نماذج اللغة الضخمة (Large Language Models) على التغذية السريعة من التقييمات. لكن العديد من المهام العلمية والهندسية تتطلب محاكاة دقيقة، تنفيذ على الأجهزة، أو تجارب فعلية، مما يجعل كل تقييم مكلفًا للغاية. هنا يأتي دور يانوس (Janus)، الإطار الرائد الذي يهدف إلى تقليص هذه التكاليف دون المساومة على الجودة.

يستفيد يانوس من نموذجاً صحياً للمطورين، حيث يُعد خوارزمية ناشئة تسعى لتطوير البرامج المستهدفة واستكشاف برامج تقييم بديلة. من أجل التصدي لمشكلة ندرة البيانات، يستخدم يانوس المعرفة المتخصصة المشفرة في نماذج اللغة الضخمة لتوليد برامج تقييم محددة للمهام، مما يزيد من فعالية العملية.

ليس ذلك فحسب، بل إن يانوس يُطور المقيّمين بالتوازي مع البرامج المستهدفة، مما يتيح له الحفاظ على مستوى عالٍ من الدقة. من خلال تحديث مستمر ورصد دقيق، يمكنه التأكد من تحقيق أفضل النتائج مع تقليل الحاجة للتقييمات الحقيقية.

في تجارب متعددة، أثبت يانوس فعاليته: حيث حقق مساحة أكبر تحت منحنى التحسين مقارنةً بالأساليب التقليدية، مع الحفاظ على أكثر من 59% من التقييمات الحقيقية. يعد هذا إنجازًا ملحوظًا يفتح الآفاق أمام المزيد من الاكتشافات العلمية والهندسية.

يمثل يانوس خطوة جريئة نحو تمكين الانتقالات من البيئات ذات التغذية السريعة إلى المجالات العلمية حيث يعد التقييم الموثوق نادرًا ومكلفًا.