في عالم الذكاء الاصطناعي، تبرز الحاجة الملحة لتحسين فعالية وكالات نماذج اللغات الكبيرة (Large Language Models) عندما تتعامل مع مخرجات العمليات الخارجية. من بين أحدث التطورات، يأتي "VeriHarness"، وهو نظام مبتكر يُحسن العوامل المساعدة في التفاعل بين الوكلاء الذكيين ومكونات التحقق الخارجية.

تعمل نماذج LLM عادةً على إعادة المحاولة بعد أن ترفض عملية التحقق اقتراحًا معينًا، ولكن التفاعل بين عملية التحقق ونموذج الاتصال التالي غالبًا ما يكون غير محدد بدقة. هنا يتدخل VeriHarness ليُقدم حلًا ذكيًا، حيث يقوم الوكلاء بإنشاء الاقتراحات بينما تتولى المكونات الخارجية مهمة التحكم في القبول، الميزانيات، والأثر.

من خلال إجراء مقارنات بين 50 لعبة من TextWorld تحت سقف أربع مكالمات، أظهرت النتائج أن التعليقات التي توفر معلومات تفصيلية حول موقع الفشل والقيمة الملحوظة والبدائل المقبولة قد زادت من نسبة النجاح الإجمالية لوكلاء Qwen2.5-Coder-14B من 14% إلى 36%، ولـ Llama-3.1-8B من 8% إلى 29%.

الأرقام تُشير إلى أن إضافة المعلومات الكاملة حول الإصلاح، وخاصة البدائل المقبولة، تجعل الوكلاء أكثر جودة في أدائهم.

هذه التحسينات تجد استمرارية عبر جميع الميزانيات المدروسة، مما يدل على أن الحلول المبتكرة مثل VeriHarness قد تكون لها آثار بعيدة المدى في كيفية عمل نماذج الذكاء الاصطناعي في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.