في عالم الذكاء الاصطناعي، تبرز نماذج اللغة الضخمة (LLMs) كنماذج قوية ملموسة في إنجاز العديد من المهام. ومع ذلك، فإن الحلول الخاصة بكل حالة تمر غالبًا بنقص في الاتساق الهيكلي، مما يؤثر على إمكانية نشرها بشكل موثوق. هنا، تظهر أهمية سير العمل (Workflows) كإطار قوي للتعامل مع هذا التحدي.
تقدم تقنية MetaFlow طريقة مبتكرة تُعيد توجيه توليد سير العمل كمسألة تعلم معدلة. من خلال ذلك، تستطيع هذه التقنية بناء استراتيجيات حل متكاملة بناءً على مجموعة من المهام وعوامل محددة.
تدريب MetaFlow يحدث في مرحلتين رئيسيتين: حيث يبدأ بتدريب إشرافي على بيانات سير العمل الاصطناعية يتبعه تعلم تعزيز باستخدام مكافآت قابلة للتحقق (RLVR) يعتمد على ردود الفعل الناتجة عن التنفيذ عبر مجموعة من الحلول.
ومن المدهش أن النموذج الناتج يمكنه إنتاج تدفقات عمل فعّالة للمهام المدربة، ويظهر قدرة قوية على التعميم لمهام جديدة لم يتم تدريب النموذج عليها، مما يفتح آفاقًا جديدة في تطبيقات الذكاء الاصطناعي.
على سبيل المثال، تم اختبار MetaFlow عبر معايير متعددة، بما في ذلك الإجابة عن الأسئلة وتوليد الكود والاستدلال الرياضي، حيث حقق نتائج تتناسب مع النماذج الرائدة في مجالاتها. وبفضل قوته الاستثنائية في التعميم دون تدريب، يُعَدّ MetaFlow مرحلة جديدة في تطوير نماذج اللغة الضخمة.