شهدت مجالات الذكاء الاصطناعي (AI) تطورات مثيرة مؤخراً، وأحد أبرز الابتكارات هو نموذج RSI-Master الذي يسعى إلى تمكين أنظمة الذكاء الاصطناعي من تحسين قدراتها بشكل ذاتي. يعمل هذا النموذج على معالجة التحديات المرتبطة بالتجارب الذاتية، مثل إمكانية استغلال الأنظمة وإعادة التوجيه الاستراتيجي.

إن مبدأ التحسين الذاتي المتكرر (Recursive Self-Improvement) يلعب دوراً محورياً في تطور أنظمة الذكاء الاصطناعي. يعتمد الهدف على تطوير نماذج ذاتية التطوير تقوم بتجربة استراتيجيات ما بعد التدريب لتحسين النماذج الأساسية. ومع ذلك، فإن هذا المسار يواجه تحديين رئيسيين. أولاً، قدرة الأنظمة على الاستغلال من خلال الأفكار التجريبية غير المحدودة، وثانياً، خطر أن تؤدي التجارب المتكررة إلى «التقيد الاستراتيجي» حيث يتم تحسين اتجاه مبكر بدلاً من إعادة النظر في الخيارات.

هنا يأتي دور RSI-Master الذي يقدم حلاً متكاملاً لهذين التحديين. يعتمد النموذج على نهج منظم، يبدأ بتقديم نظام تجريبي (Experiment OS) يُمكّن من تنفيذ تجارب منظمة وصيانة سجلات تجريبية مستمرة وقابلة للتتبع. بالإضافة إلى ذلك، يشتمل النموذج على تنظيم الأبحاث الموجهة من قبل المراجعين (Reviewer-Guided Research Orchestration) الذي يقوم بترتيب «العمال» و«المراجعين» في شبكة بحث ديناميكية.

يستفيد العمال من استكشاف اتجاهات بحث متنوعة، بينما يقوم المراجعون بمقارنة الأدلة عبر التجارب ذات الصلة لتوجيه الاستكشافات المستقبلية. في تجربتنا الحديثة على منصة PostTrainBench باستخدام نموذج Qwen3-4B-Base، حقق RSI-Master نتائج متفوقة، حيث بلغ متوسط الأداء 54.49 مقارنة بـ 46.53 لأفضل نموذج مقارنة، مع معدل استغلال صفر.

عند توسيع النموذج إلى نموذج 35B، تفوق RSI-Master على النموذج الذي تم تطويره بواسطة البشر في اختبارات LiveCodeBench-v6 وسجل نتائج إيجابية في HorizonMath، مما يدل على قدرته في معالجة مشاكل بحثية معقدة لم يتم حلها بعد. يعد هذا الابتكار خطوة نحو تحقيق ذكاء اصطناعي يستطيع تطوير نفسه وفتح آفاق جديدة في عالم التكنولوجيا.