في عالم يتسارع فيه التطور في مجال الذكاء الاصطناعي، برزت طريقة جديدة تدعى Recursive Synthetic Terminal Tasks (RST) كنموذج مبتكر لمواجهة تحديات توليف المهام الطويلة الأمد. تكمن الصعوبة في إنتاج بيانات تدريب عالية الجودة لمهام الوكلاء النهائيين، حيث تتكلف عمليات التأليف اليدوي مبالغ هائلة، وغالباً ما يتجاوز التكاليف عدة مئات من الدولارات لكل مهمة. في هذا السياق، تقوم رائدة هذه الدراسة بتقديم إطار عمل مبتكر يمكّن من توليف المهام من خلال الاعتماد على مهام أساسية موثوقة.

تبدأ عملية RST من مهام أساسية تم التحقق من صحتها، حيث تقوم بتوسيع الحلول المرجعية وإعادة ضبط المدقق والتعليمات وفقاً للعملية الجديدة. ثم يتم التحقق من النتيجة في بيئة عرض جديدة، مما يسهل إعادة استخدام المهام المقبولة كمهام أساسية لجولات لاحقة.

وخلال خمسة عشر جولة متكررة، تم إنتاج 37,484 مهمة موضوعة بشكل مختصر وبمعدل تكلفة يصل إلى 0.05 دولار أمريكي لكل مهمة. ومع زيادة صعوبة المهام عبر الجولات، ارتفعت تعقيد الحلول المرجعية، حيث كان المتوقع أن ينمو عدد الأسطر من 67 إلى 374، بالإضافة إلى زيادة عدد الأوامر المنفذة من 40 إلى 244.

لتسليط الضوء على فوائد هذا الابتكار، قام الباحثون بجمع بيانات تنقلات Qwen3.5 المعدّلة واستخدامها في تحسين نماذج التعلم تحت الإشراف. وقد أدت عملية الضبط السليمة على هذه البيانات إلى تحسين أداء Qwen3.5-27B وQwen3.5-122B-A10B بنسبة تصل إلى 10 نقاط في المقاييس المعروفة.

المثير للاهتمام هو أن المزيد من الجولات لم تظهر سقفًا في معدل الإنتاج والتوافق، مما يعني أن هذه العملية يمكن أن تستمر في التوسع والصقل بشكل يبعث على الأمل في المستقبل.