في عالم الذكاء الاصطناعي (Artificial Intelligence)، يشهد الاهتمام المتزايد بنماذج اللغات الصغيرة (Small Language Models) تحولاً جديداً في كيفية إدارتها لأداء المهام. فعلى الرغم من أن هذه النماذج تعتبر وسيلة فعّالة من حيث التكلفة، إلا أنه لا يزال يُثار جدل حول قدرتها على التنافس مع النماذج الأكبر عند مواجهة المهام المعقدة.

نجح الباحثون في دراسة جديدة في تسليط الضوء على الضعف الذي يعاني منه أداء الوكلاء الصغار عند التعامل مع مهام عميقة تتطلب بحثاً معقداً أو كتابة أكواد. في هذا السياق، تم تقديم إطار العمل الجديد المعروف باسم مزادات الاستراتيجيات لكفاءة العمل (Strategy Auctions for Workload Efficiency - SALE)، والذي يستلهم تصميمه من أسواق العمل الحرة.

في إطار SALE، يقوم الوكلاء بتقديم عطاءات بمخططات استراتيجية قصيرة، ويتم تقييم هذه العطاءات من خلال آلية منهجية تجمع بين التكلفة والقيمة. تُساعد هذه الآلية الوكلاء على تحسين أدائهم عبر ذاكرة مزاد مشتركة، مما يمكّنهم من تخصيص المهام بشكل مخصص وتحسين مستمر من دون الحاجة لتدريب مُوزع منفصل أو إنهاء جميع النماذج.

على مدار مهام بحثية عميقة وكتابة أكواد ذات تعقيد متنوع، أثبت نظام SALE فعاليته بقدرته على تقليل الاعتماد على أكبر الوكلاء بنسبة تصل إلى 52%، وخفض التكاليف الإجمالية بنسبة 35%، مع تحسين مستمر في معدل النجاح مقارنةً بأكبر الوكلاء. في المقابل، تظهر الطرق التقليدية التي تعتمد على أوصاف المهام عجزًا في الأداء أو عدم القدرة على التقليل من التكاليف، مما يبرز عدم توافقها مع تدفقات العمل المعتمدة على الوكلاء.

تُشير النتائج إلى ضرورة تبني منظور شامل لنماذج الذكاء الاصطناعي، حيث تُعزز الكفاءة من خلال آليات تنسيق مستوحاة من السوق، مما يتيح تنظيم الوكلاء المختلفين في نظم بيئية فعّالة وقابلة للتكيف.