في عالم الذكاء الاصطناعي، تظهر نماذج اللغة الكبيرة (Large Language Models) كأبطال في مهامها اللغوية، لكن تُظهر تحديات عند مواجهة بيئات غير لغوية، مثل المهام الرمزية أو المكانية. تعود هذه الفجوة في الأداء إلى عدم التوافق بين توزيع البيانات أثناء التدريب وتوزيع البيانات في الاختبار.

ومؤخراً، توصل الباحثون إلى أن السبب الجذري لهذه المشكلة يكمن في التكلفة العالية لرسم الخرائط واكتشاف البيئات، حيث تتطلب هذه المهام تجارب عديدة، وهو أمر غير مستدام للنماذج الضخمة التي تعمل في فضاء دلالي عالي الأبعاد.

للتغلب على هذه المعيقات، يقدم الباحثون إطار عمل جديد يُدعى SCOUT (التعاون ضمن مقاييس فرعية في المهام غير المرئية). يتميز هذا الإطار بفصل الاستكشاف عن الاستغلال عبر استخدام "كشّافين" خفيفي الوزن لاستكشاف ديناميكيات البيئة بسرعة وبكفاءة تفوق النماذج الكبيرة.

تُستخدم المسارات التي يتم جمعها لدعم نموذج اللغة الكبيرة عبر تحسين إشرافي دقيق، يتبع ذلك تعليم موائم عبر التعزيز النشط لتفعيل المعرفة الكامنة للعالم. أثبتت التجارب أن SCOUT يمكّن نموذج Qwen2.5-3B-Instruct من تحقيق معدل نجاح متوسط يبلغ 0.86، متفوقاً بشكل ملحوظ على نماذج خاصة مثل Gemini-2.5-Pro التي حققت 0.60، مع تقليل استهلاك ساعات GPU بنسبة تصل إلى 60%.

يساعد هذا التقدم في تقديم جيل جديد من الذكاء الاصطناعي قادر على التعامل بكفاءة مع تحديات غير متوقعة، مما يفتح آفاقاً جديدة أمام التطبيقات المبتكرة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!