تعلم الآن، استخدم لاحقاً، وثق فيما بعد: إطار عمل مبتكر لتعلم نموذج اللغة العملاق في وقت الاختبار

في عالم الذكاء الاصطناعي، تعد نماذج اللغة العملاقة (Large Language Models) من أبرز التقنيات التي تحوز على اهتمام الباحثين. ولكن كيف يمكن لهذه النماذج الاستفادة من الخبرات السابقة والتكيف مع المواقف الجديدة أثناء التشغيل؟ هذا هو ما يقدمه نموذج StepLearn.

يسعى StepLearn إلى تجاوز العوائق التقليدية في التعلم أثناء الاختبار. فعلى الرغم من وجود طرق متعددة، يغلب على معظمها صعوبة الحصول على المعرفة من التجارب السابقة فوراً. بينما يسعى StepLearn إلى معالجة هذا الأمر من خلال تعزيز عملية التعلم من التفاعلات الفورية.

يعتمد الإطار على تحويل التغيرات المهمة إلى فرضيات يمكن أن توجه الخطوات التالية، مما يسمح بتنفيذ تحسينات فورية. ولكنه يتطلب أيضاً تحقق من هذه الفرضيات قبل استخدامها في مهام مستقبلية. هذا يعني أننا نستطيع الاعتماد على البيانات المستندة إلى تجارب سابقة دون المخاطرة بتكرار أية أخطاء.

استطاع StepLearn تحقيق نسبة نجاح متوسطة قدرها 59.9% و84.0% عند استخدام GPT-5-mini، و57.8% و88.1% مع Qwen3.5-35B-A3B في خمس جولات على WebArena-Lite وALFWorld، متفوقًا على EvoTest، الذي يُعتبر أقوى معيار موجود، بنسب تتراوح بين 2.2 إلى 12.7 نقطة مئوية.

علاوة على ذلك، تُظهِر الديناميكيات التعليمية أن هذه المكاسب ليست مقصورة على الجولات النهائية، بل تتواجد حتى في المحاولات الأولى، مما يجعل StepLearn إطاراً رائداً في مجال تطوير نماذج الذكاء الاصطناعي.

إذاً، كيف ترون تأثير التعلم الفوري على أداء الذكاء الاصطناعي في المستقبل؟ شاركونا آرائكم في التعليقات.