في عالم الذكاء الاصطناعي، يسعى الباحثون إلى فهم تفاصيل فعالية نماذج اللغات الضخمة (Large Language Models) في التكيف الذاتي من خلال تحديثات الحُزم القابلة للتعديل. لقد أصبح من الشائع استخدام وكلاء اللغات الضخمة في تطبيقات متعددة، حيث تمتلك هذه النماذج القدرة على تحسين أدائها من خلال تحديث المعلومات والمهارات والذكريات من خلال الأدلة المستخلصة من التنفيذ.

إلا أن السؤال يبقى: هل كفاءة النموذج الأساسية في حل المهام يمكن أن تتنبأ بقدرته على التكيف الذاتي؟ توصلت دراسة حديثة إلى تحليل نوعين من قدرات التطور الذاتي في هذه النماذج: (1) تحديث الحزمة (harness-updating)، الذي يشير إلى قدرة النموذج على إنتاج تحديثات مفيدة ودائمة بناءً على أدلة التنفيذ، و(2) الاستفادة من الحزمة المحدثة (harness-benefit)، والتي تعبر عن مدى استفادة النموذج من هذه التحديثات خلال أداء المهام.

اتضح من خلال التحليل أن تحديث الحزمة له علاقة ضئيلة بالقدرة الأساسية للنموذج؛ حيث تساهم نماذج من مستويات مختلفة في تحديثات قياسية تؤدي إلى مكاسب متقاربة، حتى أن تحديثات نموذج Qwen3.5-9B أظهرت مكاسب مماثلة لتلك التي حققتها نموذج Claude Opus 4.6.

وعلى الرغم من هذا، تظهر النتائج أيضاً أن الاستفادة من الحزمة المحدثة غير خطية في القدرة الأساسية؛ حيث إن النماذج الضعيفة الاستفادة تحقق مكاسب قليلة، بينما تحقق النماذج المتوسطة أعلى مكاسب، وتكون المكاسب للنماذج القوية أقل من المتوسطة.

تعود الأسباب وراء هذه المكاسب المنخفضة في النماذج الضعيفة إلى فشل النموذج في تفعيل العناصر ذات الصلة، أو فشلهم في اتباع التعليمات بدقة. هذه النتائج تشير إلى أهمية استثمار الموارد في نموذج الوكيل القادر على حل المهام بدلاً من التركيز على تطوير النموذج الذي يؤدي التطور.

إذا كنت مهتمًا بتفاصيل أكثر حول البرنامج والرمز المصدر المتاح عبر الإنترنت، يمكنك زيارة رابط البرنامج. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!