تصحيح الخطوة العاثرة بدل استنساخ المسار: دراسة تكشف فخ تدريب الوكلاء الصغار على خبرات النماذج الكبرى

تكشف ورقة بحثية جديدة نشرها باحثون بقيادة تشو يو عبر منصة «أركايف» عن مفارقة غير متوقعة في هندسة وكلاء الذكاء الاصطناعي للمؤسسات: تدريب النماذج اللغوية الأصغر على استنساخ مسارات تفكير كاملة من نماذج خبيرة يؤدي إلى تراجع أدائها بدل تحسينه، خصوصا عند تشغيلها داخل أطر عمل مهيأة برمجيا.

تعتمد أنظمة الوكلاء المستقلة على ما يعرف بحزمة التوجيه والتشغيل، وهي المنظومة المحيطة بالنموذج التي تشمل التعليمات التأسيسية، ومجموعات الأدوات البرمجية، وخطافات التنفيذ، وإدارة السياق وسجلات الذاكرة. ويوفر التطوير الآلي لهذه الحزم وسيلة فعالة لتمكين النماذج مفتوحة المصدر أو الأصغر حجما من تنفيذ مهام تخصصية بجزء ضئيل من تكلفة النماذج العملاقة، لكن المعضلة تبدأ عندما يحاول المهندسون سد الفجوة المتبقية في الكفاءة عن طريق الضبط الدقيق لأوزان النموذج.

أجرى الباحثون تجاربهم عبر سبع مهام مؤسسية مختلفة، وطوروا حزم التشغيل أولا لتلائم نماذج أصغر مثل «كيوين 3 كودر» و«جيما 4». وعند اختبار النماذج الخبيرة الأكبر على الحزم المطورة، أظهرت تفوقا في استغلال الأدوات والسياق، مما أوحى بأن الإشراف المباشر من النموذج الخبير قادر على رفع كفاءة النموذج الأصغر. غير أن تدريب النماذج الضعيفة على مسارات التفكير والتنفيذ الكاملة للنموذج الخبير تسبب في انتكاسة عكسية، حيث هبط الأداء في جميع المهام السبع بنسب تراوحت بين 4 نقاط و30 نقطة، على الرغم من أن نفس إجراء التقليد كان يحقق تحسنا عند تطبيقه فوق حزم تقليدية غير مطورة.

استنساخ التخطيط دون امتلاك قدرة التنفيذ يفكك التوافق البنيوي بين أوزان النموذج وحزمة تشغيله. وتوضح تحليلات الفريق البحثي أن محاكاة المسار الكامل تنقل المعرفة النظرية وترفع معدل استدعاء الأدوات، لكنها تدفع النموذج الصغير إلى تبني استراتيجيات تخطيط معقدة تفوق قدراته الاستيعابية، مما يجعله عاجزا عن إتمامها، ويفقده في الوقت ذاته التناغم مع حزمة التشغيل التي صممت في الأصل حول أسلوبه الفطري في التفكير والتنفيذ.

ولمعالجة هذا التناقض، صمم الباحثون مسار تصحيح قائما على السياسة الذاتية تديره أداة ذكاء اصطناعي عليا على مستوى هندسة التعلم الآلي. تعمل هذه المنظومة على تتبع مسار النموذج الأصغر نفسه أثناء التنفيذ الفعلي، وتحديد الخطوة المحددة التي تعثر فيها فقط، ثم تطلب من النموذج الخبير إعادة صياغة تلك الخطوة المعطوبة دون استبدال المسار بأكمله. نجحت هذه الطريقة في الحفاظ على أسلوب التخطيط الأصيل للنموذج الصغير مع دمجه بمكاسب حزمة التشغيل والتكيف التدريجي للأوزان.

يحمل هذا الكشف بعدا استراتيجيا للشركات وفرق الهندسة في الخليج ومصر، حيث يتجه المطورون في المصارف والجهات الحكومية وقطاعات الأعمال إلى استضافة نماذج مفتوحة المصدر محليا لخفض فواتير الاستدلال الباهظة وضمان سيادة البيانات داخل الحدود. الاعتماد الشائع في المنطقة يقوم على توليد مسارات كاملة من نماذج كبرى واستخدامها لتدريب نماذج داخلية، غير أن هذه النتائج تثبت أن هذا النهج يهدر موارد الحوسبة ويضر باستقرار الوكلاء، مما يفرض على الفرق المحلية إعادة هيكلة مسارات التدريب: بناء حزم تشغيل تفاعلية حول النماذج المتاحة أولا، وقصر التوجيه الخارجي على تصحيح النقاط الحرجة بدل استنساخ السلاسل الذهنية بأكملها.