تمتاز تطورات الذكاء الاصطناعي بآفاق واسعة، وها نحن نشهد انطلاقة جديدة في تحسين فعالية النماذج من خلال منهجية مبتكرة تدعى تحسين الذات التكراري (Recursive Self-Improvement). في هذا السياق، تم صياغة إطار عمل جديد يُعرف بالتعاون بين البيئة المهام (task-harness co-evolution)، وهو يحاكي كيفية تكييف خوارزميات الذكاء الاصطناعي مع تطور توزيعات المهام.

يتطلب توليد مشكلات التفكير المتقدمة إجراءات تركيبية تتكيف مع تغيرات المهام. بينما تستخدم الطريقة الحالية تكرار المهام التي تم إنشاؤها كالبذور، تظل أدوات البناء ثابتة. نظام التحسين الذاتي يخلق مناخاً يمكن فيه تحويل الأخطاء المتوسطة للمتحققين في المراحل التوليدية إلى مهارات قابلة لإعادة الاستخدام، مما يدعم عملية التعلم.

بواسطة تحسين ما بعد المهام، يتم تعديل المهارات والأدوات بعد كل دفعة، بحيث يتم اعتماد المرشحين فقط عندما ينتجون مهام أصعب ضمن زيادة تكاليف محدودة. تبقى أوزان النموذج ومعايير التحقق ثابتة.

خلال 14 جولة من التطور، انخفضت دقة حل المسائل من 100.0% إلى 54.8%، مما يظهر أن الجمع بين جدولين تحديثيين يوفر مهاماً أصعب من الطريقة الثابتة. البيانات الناتجة تُحسن الأداء في النمذجة اللاحقة (SFT) وأداء الأغراض العامة (GRPO). على سبيل المثال، تم تحسين نموذج بحجم 27 مليار على 10,000 مثال رياضي مُركّب، ليحقق دقة 62.5% في اختبار APEX، تنافس نماذج متقدمة مختارة.

هذه النتائج تدعم ضرورة تكييف أدوات التركيب مع المهام على نحو يسمح بتوليد بيانات متزايدة التحدي لها قيمة تدريبية هامة.

ما رأيكم في إنجازات الذكاء الاصطناعي هذه؟ هل تتوقعون أن تحدث ثورة في تطوير النماذج؟ شاركونا آراءكم في التعليقات!