نموذج الذكاء الاصطناعي الذي يستخدم الأدوات يجعل الأسئلة السهلة أصعب

اسأل نموذجًا متعدد الوسائط سؤالًا يمكنه الإجابة عنه فعلًا، فالأمر اللائق هو أن يجيب. ترى ورقة بحثية جديدة من KlingTeam أن عددًا كبيرًا جدًا من نماذج الاستدلال الوكيلية تفضّل استدعاء أداة أولًا. والثمن قابل للقياس: حسابات إضافية على مسائل لم تكن بحاجة إلى مساعدة أبدًا، وفرص أكثر لإدخال أخطاء حيث كان النموذج مصيبًا أصلًا.

نُشرت الورقة، "Beacon: Knowing When and How to Perform Agentic Visual Reasoning"، على arXiv في 30 يوليو 2026، وتعيد التفكير في الكيفية التي ينبغي أن تستخدم بها النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) الأدوات في الاستدلال البصري. ادعاؤها المركزي هو أن الهدف هو معدل نجاح أفضل في المهام المعقدة، لا خط أنابيب استدلال أكثر تعقيدًا. بناء وكيل يربط استدعاءات الأدوات في سلسلة على كل سؤال يفوّت الغاية عندما كانت الإجابة المباشرة كفيلة بها.

البعدان في استخدام الأدوات

يقترح المؤلفون خاصيتين لتقييم الاستدلال البصري الوكيلي. تقيس Mode Adaptiveness (القدرة على التكيف مع الوضع) ما إذا كان النموذج قادرًا على إدراك متى تكون الأدوات ضرورية فعلًا واستدعاءها وفقًا لذلك، مما يتجنب الأعباء الحسابية غير الضرورية ويحسّن الأداء في المسائل الصعبة. وتقيس Tool Effect (أثر الأداة) الأثر الفعلي لاستخدام الأدوات: ينبغي للأدوات أن توسّع قدرات النموذج في المسائل التي لا يستطيع الاستدلال النصي وحده حلّها، مع تجنب أخطاء إضافية في المسائل التي يمكن للنموذج التعامل معها دونها أصلًا.

يجد تحليلهم لنماذج الاستدلال البصري الوكيلي الحالية أن الخاصيتين غير متوفرتين. تُظهر النماذج قدرة محدودة على التكيف مع الوضع، وتُقابَل المكاسب من استخدام الأدوات في الأمثلة الصعبة إلى حد كبير بضرر يُلحَق بالأمثلة السهلة التي كانت النماذج قادرة على حلّها. بعبارة أخرى، غريزة الصناعة في ربط الأدوات بكل شيء ليست مجرد هدر. بل يمكنها أن تخفض الدقة فعليًا في أبسط الحالات، التي تشكّل عادةً الجزء الأكبر من الاستخدام الفعلي.

لماذا يتصرف Beacon بشكل مختلف

بُني Beacon من هاتين الملاحظتين لا من صندوق أدوات أكبر. يستخدم تدريبه تعلم التعزيز مع آليتين في جوهره: مكافأة تكيفية تراعي الضرورة (Necessity-Aware Adaptive Reward) وتوسيع قدرات موجّه بالتلميحات (Hint-Guided Capability Expansion). الأولى تشجّع استدعاء الأدوات بشكل تكيفي بناءً على ضرورة المهمة. والثانية تعزّز قدرة النموذج على استخدام الأدوات في أصعب المسائل.

يبدو التصميم مشكلة حوافز بقدر ما هو مشكلة بنية نموذج. إذا كان النموذج يُكافأ على الإجابات الصحيحة فقط، فإنه لا يستوعب أبدًا تكلفة استدعاء أداة غير ضروري، فيواصل القيام به. بنية مكافآت Beacon تجعل ضبط النفس جزءًا من إشارة التدريب، وتخصّص تدريب الأدوات للحالات التي تحتاج إليه فعلًا.

عبر معايير متنوعة، يذكر المؤلفون أن Beacon يحقق أداءً عامًا أقوى وتحسينات كبيرة في كل من القدرة على التكيف مع الوضع وأثر الأداة، مع مكاسب أداء حقيقية ناجمة عن الأدوات، لا استخدامًا للأدوات يغيّر فقط الطريقة التي يُتوصل بها إلى إجابة صحيحة.

الخلاصة العملية

أكثر إسهامات الورقة فائدة قد يكون عدسة التقييم. أي شخص يبني وكلاء فوق نموذج لغوي كبير متعدد الوسائط (MLLM) يعرف سجلات مليئة باستدعاءات الأدوات لأسئلة قد يجيب عنها إنسان في سطر واحد. إطار Beacon يحوّل هذا الإزعاج إلى رقمين قابلين للقياس، مما يتيح للفريق معرفة ما إذا كان وكيله يستخدم الأدوات كرافعة أم كعكاز. عندما يكون رقم أثر الأداة قريبًا من الصفر، تكون طبقة الأدوات مجرد زخرفة.

لا شيء من هذا حجة ضد الأدوات. بعض المسائل لا يمكن حلّها عبر الاستدلال النصي وحده، والورقة صريحة في أن الأدوات ينبغي أن توسّع مدى وصول النموذج إلى تلك المسائل تحديدًا. المغزى هو المعايرة: أفضل وكيل ليس الذي يستطيع أن يفعل الأكثر، بل الذي يعرف الفرق بين ما يمكنه فعله وما يجب أن يجلبه.