في عالم الذكاء الاصطناعي والذي يشهد تطوراً سريعاً، تقدم لنا المبادرات الجديدة رؤى لمستقبل أكثر إشراقاً. مشروع OpenThoughts-Agent (OT-Agent) هو واحد من هذه الابتكارات الرائدة التي تطمح إلى توسيع نطاق تطبيقات نماذج اللغة المتقنة (Agentic Language Models).

إنهاء التحديات التي تواجه تدريب هذه النماذج هو الهدف الرئيسي لـ OT-Agent، حيث يغطي المشروع الحاجة إلى بيانات مفتوحة وشاملة تدعم التعلم عبر مجموعة متنوعة من المهام. حتى الآن، كانت الجهود المفتوحة مثل SWE-Smith وSERA وNemotron-Terminal تركزت غالباً على معايير معينة، مما ترك الكثير من الأسئلة حول كيفية تدريب نماذج عامة تقارب مهام وكالة متعددة.

يعمل فريق OT-Agent على تحديد نقاط الضعف في البيانات التدريبية من خلال إجراء أكثر من 100 تجربة منظمة، مما يوفر رؤى قيمة حول أهمية تنوع مصادر المهام. وقد أسفرت هذه الدراسات عن مجموعة تدريب تحتوي على 100,000 مثال، والتي تم استخدامها لتحسين نموذج Qwen3-32B.

نتائج التجارب كانت مشجعة: حقق النموذج دقة متوسطة تصل إلى 44.8% عبر سبع معايير للوكالة، وهو ما يمثل تحسناً بنسبة 3.9 نقطة عن أقوى نموذج مفتوح الاستخدام المتاح في السوق (Nemotron-Terminal-32B، الذي حقق 40.9%).

ما يميز بيانات التدريب المقدمة من OT-Agent هو قدرتها الكبيرة على التوسع، حيث تفوقت في جميع المقارنات عند مختلف أحجام بيانات التدريب.

لضمان شفافية البحث وافادة المجتمع الأكاديمي، يسر OT-Agent أن يعلن عن إصدار مجموعات البيانات الخاصة به، وخطوط البيانات، والبيانات التجريبية على الموقع الرسمي openthoughts.ai، مما يتيح فرصة للبحث المفتوح في مجال تدريب نماذج الوكالة.

إن كان لديك استفسارات أو اهتمامات، لا تتردد في طرحها. ما هي برأيك أهم التطبيقات المستقبلية لنماذج الوكالة؟ شاركونا آراءكم في التعليقات!