في عالم الذكاء الاصطناعي سريع التطور، يتطلب الأمر الابتكار المستمر للحفاظ على التفوق. قدم الباحثون في دراستهم الجديدة تقنية "ريفلكس غرايد" (ReflexGrad)، وهي بنية ثنائية العمليات تهدف إلى إعادة التأهيل الفوري لوكلاء نماذج اللغات الضخمة (Large Language Models) خلال الحلقات الزمنية دون الحاجة إلى أي توجيهات سابقة.

تتمثل الفكرة الأساسية في القدرة على التعافي من الأخطاء التي تحدث في المراحل المبكرة من التنفيذ. في حال انحرفت الوكالة عن المسار الصحيح وأنفقت الميزانية الزمنية المتاحة، يبقى في مسار الأداء بعد الفشل معلومات حيوية يمكنها مساعدتها على الهروب من هذا الخطأ. حتى الآن، لم تكن هناك بنى مُصممة للتعامل مع هذه المعلومات خلال حلقة واحدة.

تعتمد تقنية ريفلكس غرايد على توجيه الوكلاء بين عمليتين: العملية السريعة، التي تستخدم أسلوب تحسين مستمر كل ثلاثة خطوات (نمط "تكس غرايد" (TextGrad))، والعملية البطيئة، التي تعتمد على تشخيص سببي عندما تُظهر خمس نتائج منخفضة التقدم مسارًا للتوجيه. من خلال دمج منهجية التوجيه هذه، يسهل الحفاظ على اتساق سياسة اللغة الطبيعية.

عندما يتم تنشيط العملية البطيئة، يتم إصدار ثلاث أدوات قابلة للملاحظة تشمل: مُشغل متكرر، تشخيص سببي، وإصلاح موثوق. اختبر الباحثون تقنية ريفلكس غرايد على 134 مهمة ضمن مجموعة ALFWorld مع عشرة محاور، حيث لم يتم استخدام أي توجيهات مسبقة، وقد حققت التقنية تحسينًا ملحوظًا. لقد رفع أداء "كوان-3-8B" (Qwen-3-8B) من 35.1% إلى 75.4%، مسجلاً زيادة قدرها 40.3 نقطة مئوية.

هذا الإنجاز لم يقتصر على ذلك فقط، بل تفوق أيضًا على التقنيات المنافسة الأخرى مثل LATS وToT وSelf-Refine. تم الإعلان عن اختلاف 1.5 نقطة مئوية بين النماذج، مما يشير إلى أن آلية التوجيه هي المصدر الرئيسي لهذا التقدم.

في مواجهة التحديات المستمرة للذكاء الاصطناعي، يفتح ريفلكس غرايد آفاقاً جديدة لتحسين آليات التعلم الذاتي وتعزيز قدرة الوكلاء، مما يعد خطوة هامة نحو مستقبل أكثر ابتكارًا في مجال الذكاء الاصطناعي.

ما رأيكم في مستقبل الذكاء الاصطناعي مع تقنيات مثل ريفلكس غرايد؟ شاركونا آراءكم في التعليقات!