أطلق باحثون Athanor، وهو نظام مفتوح يزوّد وكلاء الذكاء الاصطناعي بالأدوات اللازمة لإجراء تجاربهم الخاصة على تدريب النماذج بعد التدريب الأولي. ويتيح النظام للوكلاء الوصول إلى البيانات ومجموعات التقييم وإدارة المهام، لكنه لا يسمح لهم بالاستعانة بنماذج معلّمة خارجية. وفي اختبار استمر 104 ساعات، حسّنت أربعة وكلاء من Claude Opus 5.5، يعمل كل منها على عقدة تضم ثماني وحدات GPU، أداء النموذج الخام Qwen3‑4B‑Base بدرجة كبيرة.
ما الذي حققه الوكلاء؟
ارتفعت نتيجة النموذج من 15.9 إلى 67.3 على مجموعة تطوير تضم ست مهام. وفي مجموعة اختبار محجوبة لم تُستخدم أثناء التدريب، قفزت النتيجة من 9.2 إلى 48.2، متجاوزةً نتيجتي النسخة الرسمية Qwen3‑4B‑Instruct‑2507 البالغتين 66.5 و47.9 على الترتيب. وحقق الوكلاء هذه المكاسب عبر الجمع مجددًا بين أساليب معروفة: الضبط الدقيق الخاضع للإشراف على بيانات استدلال متاحة للعامة، وتعديل جديد لعملية توليد المسارات في التعلم المعزز، ودمج الأوزان بين الوكلاء، وجولات من التقطير الذاتي. وقد جرى ذلك كله من دون أي توجيه بحثي من البشر.
لماذا يهم ذلك؟
إذا استطاعت وكلاء الذكاء الاصطناعي إجراء دورات بحثية موثوقة بمفردها، فقد تنخفض تكلفة تطوير نماذج أفضل ويتسارع التقدم. وبالنسبة إلى المطورين الذين لا يملكون فرقًا بحثية كبيرة، قد تتيح منصة مفتوحة مثل Athanor للمجموعات الأصغر تجربة مسارات تدريب ذاتية التشغيل.
لماذا يهم
تُظهر النتيجة أن وكلاء الذكاء الاصطناعي الحاليين يمتلكون بالفعل قدرات هندسية تكفي لإجراء دورة بحثية كاملة لتحسين النماذج بعد التدريب الأولي. وقد يتيح ذلك لمؤسسات لا تملك مختبرات كبيرة إنشاء نماذج تنافسية مضبوطة لاتباع التعليمات بتكلفة أقل، لكن المكاسب لا تزال بحاجة إلى تحقق مستقل.
