استطاعت نماذج اللغة الضخمة (Large Language Models) أن تظهر كفاءة ملحوظة في أداء المهام المعقدة. ولكن، لا تزال عملية التعلم التي تقوم بها هذه النماذج محصورة في ردود الفعل غير الفعالة والبيئات التعليمية الثابتة، مما يترتب عليه ضعف في قدرة النماذج على التعميم في سياقات مختلفة. في سبيل معالجة هذه التحديات، يُقدّم البحث الجديد نظام Role-Agent، وهو إطار مبتكر يتيح لنموذج لغة واحد أن يعمل كعامل وبيئة تعليمية في آن واحد، مما يسهل عملية التطور المشترك.

يتكون نظام Role-Agent من جزئين متآزرين: "العالم داخل العامل" (World-In-Agent) و"العامل داخل العالم" (Agent-In-World). في القسم الأول، يتخذ نموذج اللغة شكل العامل ويتنبأ بالحالات المستقبلية بعد كل إجراء يتم اتخاذه. ثم تُستخدم المطابقة بين الحالات المتوقعة والحالات الفعلية كمكافأة تُساعد على تحسين التفكير المعتمد على البيئة. أما في القسم الثاني، فيقوم نموذج اللغة بتحليل أوضاع الفشل من المسارات الفاشلة واسترجاع المهام ذات الأنماط الفاشلة المتشابهة، مما يسمح بإعادة تشكيل توزيع بيانات التدريب لتمرين مستهدف.

أظهرت التجارب التي أُجريت على عدة معايير أن نظام Role-Agent يُحسّن الأداء بانتظام، حيث بلغ متوسط الزيادة أكثر من 4% مقارنةً بمعايير قوية. يُعد هذا البحث خطوة بارزة نحو تحسين نماذج اللغة الضخمة وجعلها أكثر كفاءة في التعلم الذاتي والتكيّف مع التحديات المعقدة.