عامل البحث الجديد من BAAI لا يبحث لفترة أطول فحسب، بل يراجع واجباته بنفسه

يتمتع البحث العميق بعدم تماثل تتجاهله معظم العوامل: العثور على الإجابة الصحيحة مكلف، ولكن التحقق من مرشح رخيص. بنى BAAI (أكاديمية بكين للذكاء الاصطناعي) عائلة من العوامل تستغل هذه الفجوة. AREX، وهي عوامل البحث العميق ذاتية التحسين المتكررة، لا تبحث لفترة أطول فحسب؛ بل تبحث بذكاء أكبر من خلال معالجة مخرجاتها الوسيطة كعمل قيد التقدم يستحق نظرة ثانية.

الهندسة المعمارية: حلقة تفحص حلقتها الخاصة

تقسم AREX عملية البحث إلى دورتين متداخلتين. الدورة الداخلية تجمع الأدلة وتجمّع إجابة مؤقتة. ثم تقوم الدورة الخارجية بتدقيق تلك الإجابة، والتحقق من كل قيد يفرضه السؤال الأصلي. عندما تجد ادعاءً غير محلول أو رابطًا ضعيفًا، تطلق بحثًا متابعة مستهدفًا، ليس مسحًا واسعًا آخر، بل عودة مركزة إلى الفجوة المحددة.

الحفاظ على هذا عبر آفاق زمنية طويلة دون فقدان تتبع ما تم التحقق منه هو الجزء الصعب. تحل AREX ذلك باستخدام أداة تحديث سياق ذاتية التعلم تضغط سجل التفاعل المتنامي إلى حالة تحسين مضغوطة. والأهم من ذلك، أن هذا الضغط لا يعتمد على نموذج خارجي، فالعامل يتعلم إدارة نموه الخاص. تحافظ حالة التحسين على الأدلة التي تم التحقق منها والقيود غير المحلولة، مما يسمح للدورة الخارجية بالاستمرار من حيث توقفت تمامًا بعد كل تكرار بحث.

التدريب من أجل التحمل، وليس الدقة فقط

دربت BAAI نموذج AREX على مهام تركيبية تم التحقق منها ومسارات عالية الجودة باستخدام وصفة من مرحلتين. أولاً، التدريب الوسيط العاملي يعلم النموذج التنقل في بيئات بحث متعددة الجولات. ثم، يعمل التعلم التعزيزي طويل الأمد على تشكيل العامل للحفاظ على التحسين عبر العديد من الخطوات.

التعلم التعزيزي مع مكافآت نادرة نهائية معروف بصعوبته للتسلسلات الطويلة. تخفف AREX من ذلك بالتركيز على الخطوات الرئيسية، وهي لحظات يتم فيها الحصول على أدلة حاسمة أو حيث يصحح العامل اتجاه بحث خاطئ. يشكل تشكيل المكافأة هذا إشارة تدريب أكثر كثافة للنموذج دون الحاجة إلى ناقد خارجي، شبيه في روحه بالأعمال الحديثة حول تقطير المهارات ضمن السياسة للتعلم التعزيزي العاملي.

تأثير يفوق حجمها

تأتي AREX بحجمين: نموذج كثيف يضم 4 مليارات معلمة، وإصدار Mixture-of-Experts يضم 122 مليار معلمة ينشط فقط 10 مليارات معلمة لكل رمز مميز. في BrowseComp وWideSearch وDeepSearchQA وامتحان البشرية الأخير (HLE)، يذكر البحث أن AREX تتفوق بشكل كبير على خطوط الأساس المماثلة الحجم وتظل قادرة على المنافسة مع النماذج التي تستخدم معلمات نشطة أكبر بشكل كبير. يقدم النموذج ذو 4 مليارات معلمة، على وجه الخصوص، لمحة عما يمكن للهندسة المعمارية الفعالة والتدريب الذكي تحقيقه دون ميزانيات الحوسبة الضخمة للمختبرات الخاصة.

ماذا يعني هذا لسباق البحث العميق

تصل AREX في وقت يتسارع فيه زخم المصادر المفتوحة من شرق آسيا. تنضم BAAI إلى DeepSeek وBaichuan وآخرين في إثبات أنه يمكن بناء عوامل بحث ذات قدرات حدودية دون بنية تحتية خاصة. توفر حلقة التحسين الذاتي المتكررة، جنبًا إلى جنب مع ضغط السياق المكتسب، مخططًا يمكن للمختبرات الأخرى تبنيه، حيث يتوفر كود البحث وأوزان النموذج على صفحة المشروع وHugging Face.

الإشارة الأوسع هي أن الفجوة بين الذكاء الاصطناعي المفتوح والمغلق تضيق، ليس لأن النماذج الخاصة راكدة، ولكن لأن عوامل البحث تتعلم كيف تحصل على المزيد من الأقل. يتحدى نموذج AREX ذو 4 مليارات معلمة الافتراض بأن البحث العميق يتطلب عقلًا بحجم 500 مليار معلمة. إذا أصبح التحسين الموجه بالتحقق نمطًا قياسيًا، فقد يتم تعريف الموجة التالية من عوامل البحث بشكل أقل بحجمها وأكثر بمدى جودة فحصها لعملها الخاص.