مكسب SIRF البالغ 15.1 نقطة يقيم في الأوزان، لا في التوجيه

ادعاء الـ 15.1 نقطة والضبط الذي يحمله

الرقم الرئيسي في ملخص SIRF، وهو 71.3% في Black Recall@P95، لا يقول شيئاً تقريباً بمفرده. لا يذكر الملخص أي منصة إنتاجية ولا يعرّف أبداً ما يعنيه «Black» أو عتبة P95. لا يكتسب الرقم وزنه إلا عندما ترى ما يقع تحته: مقارنة بُنيت بحيث يتغير شيء واحد بالضبط.

شغّل المؤلفون Qwen3-8B-SFT وSIRF-8B-SFT على المصدر نفسه، مع حقن سياسات متطابق وتنسيق مخرجات واحد قائم على الحكم فقط. كان الفرق الوحيد هو التدريب المسبق المستمر القائم على السياسات في SIRF. يصل SIRF-8B-SFT إلى 71.3% في Black Recall@P95، أي فجوة 15.1 نقطة فوق خط أساس تضعه الحسابات عند 56.2%. هذا الضبط هو الإسهام. كان عمود فقري أقوى أو توجيه أفضل سيشوّش كلا الذراعين.

ثمة مقارنة ثانية ألين تقف خلفها: بين النماذج المدرجة التي تكشف عن logprobs تحت هذه الواجهة، يعادل SIRF أنظمة أكبر بكثير أو يتجاوزها.

ما الذي يعنيه استيعاب المواصفات: التدريب المسبق المستمر على سياسات اصطناعية

يرمز SIRF إلى Spec-Internalized Risk Foundation Model، ويصف الاسم خط أنابيب تدريب لا معمارية. يوسّع المؤلفون وثائق سياسات المنصة القائمة إلى بيانات تدريب دون تكليف بوسم بشري جديد. وتقوم بذلك ثلاث خطوات مذكورة: EntiGraph، وإعادة صياغة MAGA، وسلسلة التفكير على مستوى الحساب. ثم تعود المجموعة النصية إلى النموذج عبر التدريب المسبق المستمر، فتنتهي القواعد في الأوزان بدلاً من إعادة ذكرها في كل طلب.

التضاد هنا مع حزمة الحواجز التي تشغّلها معظم الفرق. فحقن وقت التوجيه والاسترجاع من فهرس قواعد يبقيان السياسة خارج النموذج. هذا ملائم عندما تتغير القواعد كل ساعة، ومكلف عندما لا تتغير: فكل طلب يدفع ثمن إعادة ذكرها، وكل إعادة ذكر تفتح باب الانحراف. يدفع التدريب المسبق المستمر ذلك الثمن مرة واحدة، وميزانية الورقة لهذا التحول صغيرة بمعايير نماذج الأساس عند نحو 70 مليون رمز CPT.

الدقة وزمن الاستجابة بمستوى الثانية، لا متوسط الدقة

يفتتح الملخص برفض المقياس الذي تتصدر به معظم أوراق النماذج: متوسط الدقة ليس القيد الملزم، كما يكتب المؤلفون. المهم هو مقدار المخاطر التي يستطيع نظام ما التعامل معها دون إنسان، بدقة عالية، وفي زمن استجابة بمستوى الثانية.

اقرأ ذلك كزعم تشغيلي لا كزعم تعلّم آلي. النموذج الذي يحقق درجات جيدة في المتوسط لكنه يصل ببطء شديد بحيث لا يلتقط نافذة حية، أو بدقة غير كافية بحيث يضطر المراجعون إلى إعادة فحص معظم أحكامه، لا يقلل عدد الموظفين ولا التعرض للمخاطر. ويتتبع شكل النشر هذا القيد: يعيد SIRF حكماً ولا شيء غيره. لا تعليل، ولا سلسلة تفكير وقت الاستدلال، ولا شيء يقرؤه المراجع قبل التصرف.

يعمل SIRF داخل طبقة تحكيم بنموذج شجري، ويذكر المؤلفون أنها تستعيد 20% إضافية من العينات المُعاقَبة خطأً. هذا أكثر زعم إنتاجي ملموس في الملخص وأقلّه قابلية للتحقق من خارجه.

النقل والتكلفة وما تشتريه 70 مليون رمز

ثمة نتيجتان ثانويتان تحملان وزناً أكبر مما يوحي موضعهما. ينتقل SIRF إلى سيناريو تجميد بتكلفة منخفضة، مع خفض نسبي بنحو 70% في العقاب الخاطئ. ويقول المؤلفون إن تشغيل CPT لم يضر القدرة العامة، وهي الضحية المعتادة عندما يُضبط نموذج بقوة على مجال ضيق واحد.

هذا الزعم الثاني هو الذي ينبغي الضغط عليه. فـ «دون الإضرار بالقدرة العامة» يحتاج إلى مجموعة اختبارات معيارية بدرجات قبل وبعد، ولا يقدم الملخص أي شيء من ذلك. ونتيجة النقل أرقّ من ذلك: يظهر سيناريو التجميد في جملة واحدة، دون تفصيل عن حجم التقييم أو ما إذا أُعيد استخدام المجموعة النصية نفسها للسياسات.

ما يدعمه عدد الرموز فعلاً هو حجة التكلفة. فسبعون مليون رمز من التدريب المسبق المستمر تشغيل متواضع مقارنة بالميزانية التي تقف خلف العمود الفقري الذي بدأ منه. والزعم الجدير بالاختبار ليس أن بناء SIRF رخيص مرة واحدة، بل أن الاستيعاب رخيص بما يكفي لتكراره لكل منصة. هذا ما يجب أن يعنيه «استيعاب المواصفات» تجارياً: خط أنابيب يحوّل سياسة كل منصة الخاصة إلى نقطة تحقق خاصة بها، لا نموذج واحد يعمّم عبر كتيّبات قواعد عدة.

ما يتركه الملخص مفتوحاً

تبرز أربع ثغرات أمام أي شخص يزن النتيجة.

• مراجعة الأقران: تعطي القائمة تاريخ تقديم هو 10 سبتمبر 2026 في cs.AI ودون منبر نشر. إذن، أرقام ورقة أولية.
• المصدر: تأتي بيانات السياسات من مجموعة قواعد منصة واحدة، توصف بأنها معقدة لكنها غير مسماة. ولا يُذكر أي نشر ثانٍ.
• الحد الخارجي للمقارنة: عبارة «بين النماذج المدرجة المتاحة فيها logprobs تحت هذه الواجهة» مجال ضيق. النماذج التي لا تكشف عن logprobs تقع خارج الزعم.
• زمن الاستجابة: يقوم التأطير على استدلال بمستوى الثانية ومنخفض الكمون للغاية، ومع ذلك لا يعطي الملخص أي رقم بالمللي ثانية للنموذج أو لطبقة التحكيم.

المقارنة المضبوطة هي أقوى أصول الورقة وسقفها. وكتيّب قواعد ثانٍ وعمود فقري ثالث سيختبران ما إذا كان الاستيعاب يصمد.