في عالم الذكاء الاصطناعي المتسارع، يعد تحقيق التوازن بين الدقة والإنتاجية تحت ضغط الزمن من أكبر التحديات التي تواجه وكالات الذكاء الاصطناعي. في دراسة جديدة نشرت على منصة arXiv، تم استعراض قدرة وكلاء صغيرين من نماذج لغوية ضخمة (Large Language Models) على العمل بفعالية ضمن ميزانيات زمنية محددة.

ركزت الدراسة على نموذجين، Qwen3.6-27B و Qwen3-4B، اللذان تم تقييم أدائهما من خلال تحديات مثل MLE-Bench Lite وZork I. أظهرت النتائج أن الوكلاء لم يتمكنوا من الترجمة الفعالة لتخصيصات الوقت إلى استخدام مدروس. يعود ذلك جزئيًا إلى缺乏 المعرفة الزمنية، حيث لم يتوفر لهم معلومات فورية حول التوقيت، مما أثر بشكل مباشر على قدرتهم على توقع مدة الإجراءات.

تمثلت الحلول المقترحة في نموذجين مكمّلين: الآليات القائمة على الزمن التي تعزز من إدراك الوقت، والتعلم المعزز الذي يأخذ في الاعتبار المكافآت المعتمدة على الميزانية. تبين أن إدخال معلومات زمنية من خلال الآلية يؤدي إلى تحسين كبير في الالتزام بالميزانية دون فقد ملحوظ في الأداء، بينما أضفت مخاطر التنفيذ مزيدًا من القوة في الالتزام.

ومع ذلك، رغم تحقيق الوكلاء للتزام جيد بالميزانية، إلا أنهم لا يزالون يواجهون تحديات في تحسين أدائهم أثناء استخدام الوقت الإضافي. وهذا يبرز الفجوة الحالية بين الالتزام بالوقت والتخصيص الإنتاجي له، مما يشكل تحديًا مركزيًا لا يزال يتعين التغلب عليه في تطوير وكلاء المعرفة المدفوعة بالميزانية.