فجوة الأهلية في الوكلاء الأذكياء: النماذج الصغيرة الجاهزة تفشل في المهام الدقيقة المستقلة

تكشف ورقة بحثية جديدة قيد المراجعة لورشة عمل تابعة لمؤتمر نيبس 2026، أعدها الباحثان جون دونغ هو وشيكار راماشاندران، عن فجوة أهلية حرجة تعيق الاعتماد على النماذج اللغوية الصغيرة في بيئات تشغيل الوكلاء الأذكياء. تسعى الفرق الهندسية عادة إلى تخفيف تكاليف الاستدلال وتقليل زمن الاستجابة عبر تفويض المهام الدقيقة المحيطة بنموذج التخطيط المركزي إلى نماذج صغيرة جاهزة، بدلا من تشغيل النماذج الكبرى في كل خطوة جانبية. اختبر الباحثون قدرة النماذج المدمجة على إدارة أربع مهام تشغيلية حساسة، فجاءت النتيجة صادمة برسوب كل النماذج دون استثناء في تحقيق عتبة الأهلية المطلوبة.

شمل الاختبار أربع مهام دقيقة تتكرر يوميا في بنية الوكلاء: الموافقة التلقائية على أوامر سطر الأوامر، كتابة الذاكرة، اختيار الأدوات البرمجية، وإعادة ترتيب جولات المحادثة السابقة. اعتمدت الدراسة على معيار تقييم دقيق يربط اجتياز المهمة بعتبة إحصائية تستند إلى أداء نماذج مقارنة غير لغوية رخيصة، مع اشتراط تجاوز مجال الثقة الإحصائي لهذه العتبة. أجرى الباحثون مسحا شاملا لنماذج «كيوين 3» بأحجام 0.6 و1.7 و4 و8 مليارات معلمة بدقة النقطة العائمة الكاملة وبلا أي ضبط دقيق، ففشلت التكوينات الستة عشر بالكامل في تحقيق الأهلية. تكررت النتيجة ذاتها عند اختبار نماذج «لاما 3»، حيث فشل اثنا عشر تكوينا من أصل اثني عشر، وظل الفشل قائما حتى مع تجربة صياغات توجيه مختلفة عبر مئة واثنتي عشرة حالة اختبار.

أخضعت الورقة النماذج لتقنيات التكميم بأربعة بت، مثل تقنيات «جي بي تي كيو» و«إيه دبليو كيو»، لتحديد ما إذا كان تقليص الحجم البرمجي يغيّر النتيجة، غير أن النتائج أظهرت أن التكميم يلحق ضررا إضافيا بالأداء ولا يرفع أي تكوين إلى مستوى الأهلية. قسّم الباحثون أسباب الفشل عبر تشخيص عتبات اتخاذ القرار إلى فئتين: عجز حقيقي في القدرات الأساسية للنموذج، وأخطاء يمكن تعديلها بضبط عتبات فك الترميز الاحتمالي. أظهرت النتائج أن فجوة الأهلية ترتبط بحجم النموذج أكثر من ارتباطها بدقة الحوسبة، مما يعني أن مجرد تكميم النماذج الصغيرة لتسريع تشغيلها يزيد من هشاشة النظام ولا يحل أزمة الكفاءة.

قدم الباحثان مخرجا عمليا لهذه المعضلة يعيد تعريف دور النماذج الصغيرة، إذ أوصت الدراسة بوضع النموذج الصغير في مسار تسلسلي خلف معيار أساسي يحقق عتبة الموثوقية الإحصائية، مع قصر استخدام النموذج الصغير على الحالات المعقدة التي يعجز فيها المعيار الأساسي. ضرب الباحثون مثالا على ذلك باستخدام نموذج بحجم 4 مليارات معلمة لإعادة ترتيب النتائج بعد قائمة أولية ينتجها معيار «بي إم 25»، حيث تفوق هذا الدمج على المعيار التقليدي بفارق إيجابي واضح، رغم أن النموذج الصغير بمفرده لم يكن مؤهلا للاعتماد المستقل. تحوّل هذه المقاربة النماذج الصغيرة من حارس مستقل غير موثوق إلى طبقة تحسين إضافية ضمن منظومة برمجية منضبطة.

يحمل هذا الكشف تأثيرا مباشرا على شركات التقنية وفرق التطوير في الخليج ومصر والشام، حيث تسعى منصات ناشئة وجهات حكومية إلى بناء وكلاء برمجيات مستقلين لإدارة الخدمات والعمليات اليومية. إذا كنت تقود فريقا هندسيا في الرياض أو القاهرة أو دبي وتعتمد على نماذج صغيرة مفتوحة المصدر لتولي مهام تفويض الأوامر أو استدعاء الأدوات بهدف تقليص فاتورة الحوسبة السحابية، فإن الاعتماد المستقل على تلك النماذج بصيغتها الجاهزة يهدد استقرار منظومتك ويفتح ثغرات أمنية وعملياتية غير متوقعة. يفرض هذا الواقع إعادة توجيه الميزانيات المخصصة للبنية التحتية نحو النظم الهجينة، بحيث توضع النماذج الصغيرة خلف خطوط دفاع غير لغوية موثوقة، مثل خوارزميات المطابقة التقليدية كمعيار «بي إم 25»، واستدعاء النموذج الصغير فقط في الحالات التي يعجز فيها المعيار الأولي، بدلا من تركه يدير المهام الدقيقة منفردا.