في عالم الذكاء الاصطناعي المتقدم، يُعتبر تدريب وكلاء اللغة (Language Agents) على التعلم من الخبرات تحولًا جذريًا. فبينما يمكن لهذه النماذج التكيُّف مع تجاربها، فإن الأساليب التقليدية المعتمدة على التأمل كانت قادرة فقط على التصحيح الذاتي ضمن سياقات معينة. ولكن، ماذا لو كان من الممكن استخلاص تلك الخبرات وتحويلها إلى دروسReusable lessons تُحسِّن الأداء في مهام جديدة غير مرئية؟

لإجابة هذا السؤال، نقدم إطار عمل "التدريب في السياق" (In-context Training – ICT) الذي يتيح تقييم التحسين الذاتي عبر المهام لوكلاء اللغة. في هذا الإطار، يقوم نموذج التأمل بمراقبة المسارات التي تجمعها نموذج الفاعل، ليولد مطالبات نظامية تهدف إلى تحسين أداء الفاعل في المهام غير المرئية.

نعرض أيضًا مسار التدريب القائم على التعزيز (RL-based training pipeline) الذي يتعلم من هذه الانعكاسات بشكل مباشر دون الحاجة إلى أمثلة بشرية. وبفضل اختباراتنا في بيئات مثل ALFWorld وMiniHack، أظهرت النموذج المدرب قدرة واضحة على التفوق على النماذج غير المدربة في معظم عائلات المهام المحتفظ بها، مما يدل على أن القدرة على التعلم من التجارب يمكن تعلمها بحد ذاتها.

الأمر المثير هو أنه في بعض الحالات، تمكنا من ملاحظة تعميم الأداء خارج المعيار الذي تم تدريب النموذج عليه، ليظهر تحسنًا ملحوظًا حتى في بيئات مختلفة تمامًا.

وبالإضافة إلى ذلك، نقدم "MetaGym"، مكتبة بايثون عامة تهدف إلى بناء بيئات جديدة لتمكين الأبحاث المستقبلية حول وكلاء اللغة الذين يتحسنون ذاتيًا.

ما رأيكم في إمكانية استخدام هذه التقنيات الجديدة لتحسين الأداء في مجالات أخرى؟ شاركونا في التعليقات.