في عالم الذكاء الاصطناعي، يعتبر التدريب في منتصف الدورة (Mid-training) محوراً رئيسياً لتشكيل قدرات نماذج اللغات الضخمة (LLMs). يعتبر الأبحاث الأخيرة أن هذا النوع من التدريب قادر على تعزيز قدرات التفكير والمنطق، خاصة في مجالات الرياضيات والعلوم. لكن ماذا عن القدرات الأخرى المتمثلة في الاستخدام الفعّال للأدوات؟ هنا يأتي دور MidTool.

يُعد MidTool عبارة عن نظام شامل لبناء مجموعة بيانات مفتوحة تهدف إلى تعزيز استخدام الأدوات للذكاء الاصطناعي. يجمع هذا النظام بين البيانات الواسعة من الإنترنت، وصيغ PDF، وأكواد برمجية، مع إشراف مُركّز من واجهات برمجة التطبيقات (APIs) للأدوات في العالم الحقيقي، مع التركيز على المهارات (MCP) والتدفقات المستندة على الوثائق.

تم تصميم MidTool لتعليم النماذج كيفية التعرف على خصائص استخدام الأدوات، واستنتاج الحجج المستمدة من السياق، وتكوين تدفقات العمل من خلال الاستدعاءات الأدوات، وكيفية التعافي من المعلومات الناقصة.

في إطار هذا التطور، تم تدريب نموذجين هما Qwen3-4B-Base وQwen3-8B-Base باستخدام مجموعة بيانات MidTool-Mix، وتبع ذلك تطبيق التدريب اللاحق وتحديثات دقيقة تعتمد على التعلم المعزز والتدريب المُراقب.

عند مقارنة هذه النتائج بالأسس التقليدية، أظهرت نتائج MidTool-Mix تحسناً بارزاً في الأداء في اختبارات مختلفة مثل BFCL وtau2-Bench وMCP Universe.

تشير النتائج إلى أن الاستخدام العام للأدوات، مثل قدرات نموذج اللغات الضخمة الأخرى، يستفيد من تخصيص العمل في منتصف التدريب بدلاً من الاعتماد فقط على التدريب اللاحق.

إذاً، كيف تؤثر هذه التقنيات في الشكل المستقبلي لأدوات الذكاء الاصطناعي؟ ما هي الآفاق الواعدة التي يمكن أن يفتحها أنموذج مثل MidTool؟ شاركونا آرائكم في التعليقات!