في عالم الذكاء الاصطناعي (AI)، تزداد أهمية تحسين الأداء الذاتي لنماذج اللغات الضخمة (Large Language Models) بشكل مستمر. وقد تم كشف النقاب عن تقنية مثيرة تعرف باسم التحسين الدوري المنظم للعميل (Regularized Recursive Self-Improvement of Agent Harnesses - RRSI) والتي تعد ثورة في كيفية إجراء هذا النوع من التحسين.

تستند هذه التقنية إلى فكرة بسيطة لكنها قوية: أن قدرة وكيل النموذج تزداد بشكل كبير من خلال مجموعة من العناصر المحيطة به مثل الإرشادات (prompts)، وسير العمل (control flow)، وأدوات التحكم (tooling)، وإدارة الذاكرة (memory)، وإدارة السياق (context management). في الآونة الأخيرة، تم استخدام طرق جديدة لتلقائية هذا العملية من خلال الاقتراحات والتعيينات التكرارية، مما أسس نوعًا من تحسين الأداء الذاتي على مستوى النظام.

ومع ذلك، قد يؤدي هذا التطور المتكرر إلى مشكلات في التكيف بسبب تذكر المهام التدريبية، مما يؤدي إلى تحقيق مكاسب كبيرة ضمن نطاق التوزيع بينما قد تتلاشى في إطار معايير الأداء الأخرى. وهنا تأتي أهمية RRSI، حيث دمجت مبادئ التنظيمات ضمن آليات تحسين الأداء الذاتي من خلال تقييد الاقتراحات والتحديدات.

يتضمن نموذج RRSI موازنة زمنية تحد من عدد التعديلات المقترحة، مشجعًا على مسارات غير مستكشفة بناءً على تاريخ التطور. كما أنه مزود بمراجع ومقيد: حيث يقوم المراجع بفحص الاقتراحات الخاصة بمعايير الأداء، في حين يقوم المقيد بإزالة التغييرات التي تعتبر صغيرة جدًا أو باهظة الثمن.

تظهر نتائج تطبيق RRSI على ثمانية معايير مختلفة، بدءًا من البرمجة وصولاً إلى تصميم الهندسة، تعزيز الأداء بمعدل يصل إلى 14.1 نقطة في المعايير المتخصصة و4.7 نقطة في المعايير التي تأتي من توزيع خارج النطاق، مع تشغيل آلية تعمل على 30% أقل من الرموز السياسية مقارنة بالتطورات غير المنظمة.

لمعرفة المزيد عن النتائج والرموز البرمجية، يمكنكم زيارة رابط GitHub للرموز أو صفحة المشروع.

ما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات!