تشهد بيئات التدريب الخاصة بالوكلاء (agents) في مجالات العلوم طفرة نوعية، حيث تضع الأبحاث الجديدة حلولاً مبتكرة لتبسيط بناء هذه البيئات. قد يبدو الأمر معقداً، لكن فكرة البحث هي استخدام إطار عمل يسمى "إعادة بناء البرمجيات في الحلقة" (software-in-the-loop reconstruction)، الذي يتيح للوكلاء التعلم من البرمجيات الموجودة وتقديم أداء موثوق في مجموعة متنوعة من المهام.

تتطلب بيئات التدريب السليمة سلوكاً مرجعياً قابلاً للتنفيذ وأداة تصديق خاصة بالمجال تتمكن من تمييز صحة السياق الدلالي عن العناصر التي تبدو صحيحة لكنها غير دقيقة. لذا، فإن تصميم هذه المكونات لكل مهمة يتطلب الكثير من الجهود الهندسية المتكررة، مما يحد من إمكانية إعادة استخدامها.

تقدم هذه الدراسة حلاً مبتكراً من خلال اعتماد طريقة "إعادة بناء البرمجيات في الحلقة"، حيث يمكنك استخراج النتائج المرجعية وأهداف التحقق من سير العمل البرمجي الحالي. يتم تنفيذ العديد من تكوينات الإدخال، وتقسيم الحالات إلى مشاهدات عامة وتقييمات مخفية. بفضل هذا النظام الجديد، يمكن للعميل بناء برنامج قابل للتعديل دون الحاجة للوصول إلى سير العمل الأصلي.

تناولت الأبحاث 500 سير عمل و46 عائلة برمجية عبر ستة مجالات، حيث حقق النموذج الذكي Qwen3.8-Max نجاحاً مذهلاً بحل 838 مهمة وإنتاج 1,422 مساراً تم التحقق منه، مما يتيح إمكانية تحسين الأداء بشكل كبير.

هذه النتائج تعكس كيف يمكن للبرامج العلمية الحالية أن توفر إشرافاً قابلاً للتوسع والتحقق السلوكي لوكلاء العمل، مما يفتح آفاقاً جديدة لتحسين الأداء والمتانة في البيئات العلمية المعقدة. ما رأيكم في هذه التطورات المبهرة في الذكاء الاصطناعي؟