في عالم الذكاء الاصطناعي، تحسين الأداء يعد من أهم الأهداف التي يسعى لتحقيقها الباحثون والمطورون. وفي هذا السياق، فاز إطار العمل الجديد المعروف باسم 'الكتابة الذاتية المتكررة' (Recursive Self-Rewrite) باهتمام كبير، حيث يقدم حلاً مبتكراً للتحديات التي تواجه النماذج في المهام المعقدة.

يستند هذا الإطار إلى نموذج أساسي يُدعى Qwen-3.8-27B، لتحديد الحلول الناجحة عبر بيئات مُتنوعة، مما يتيح إعادة بناء هذه الحلول كمسارات تدريب تحت إطار عام. العمل يشمل ثلاثة عناصر رئيسية؛ يركز 'المخطط' على استخراج الإجراءات وتحويلها إلى دليل عمل، بينما يقوم 'الناقد' بفحص ضمان النتائج ويقوم بتوجيه التعديلات المتكررة. أما 'المنفذ'، فيقوم بتنفيذ إجراءات جديدة بناءً على الأدلة المؤهلة.

نتائج الدراسة التي أجريت على حوالي 3000 مهمة تم تنسيقها ذاتياً، كشفت عن أن ثلاثة بيئات مختلفة نجحت في حل 759 مهمة، أي بزيادة نسبتها 34.3% مقارنةً بأقوى بيئة فردية مسجلة. كما تم توسيع 2001 مسار ناجح إلى 11094 مسار مُعاد كتابته، التي أظهرت أداءً ممتازاً خلال التدريب، متفوقةً على النماذج الأولية.

بالمقارنة مع النموذج الأساسي، أظهرت النتائج زيادات ملحوظة في الأداء، حيث ارتفع معدل النجاح إلى 74.2% في معيار 'Terminal-Bench 2'، بينما تحسن أداء المهام المعقدة إلى 63.0% في معيار 'Terminal-Bench Hard'. كما زاد العائد على المدى الطويل من 0.21 إلى 0.29.

هذه النتائج تسلط الضوء على كيف يمكن إعادة تكوين التجارب المتنوعة المدعومة بواسطة البيئات المتنوعة إلى قدرات يمكن إعادة استخدامها لنموذج يعمل تحت إطار عام. كيف ترى هذا التطور في عالم الذكاء الاصطناعي؟ شاركنا برأيك في التعليقات!