# Ath​anor يتيح لوكلاء الذكاء الاصطناعي تحسين نموذج أساسي ذاتيًا

> حسّنت أربعة وكلاء Claude Opus 5.5 أداء Qwen3‑4B خلال تجربة استمرت 104 ساعات، وبلغت مستوى النسخة الرسمية الموجّهة من دون تدخل بشري.

Oossa · 2026-10-16 · https://oossa.com/ar/ath-anor-lets-ai-agents-improve-a-base-model-on-their-own

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.

## الحقائق

- وُصف Ath​anor في ورقة بحثية على arXiv نُشرت في 2026-10-16.
- استخدم كل واحد من وكلاء Claude Opus 5.5 الأربعة عقدة تضم ثماني وحدات GPU في التجربة.
- رفعت التجربة التي استمرت 104 ساعات نتيجة Qwen3‑4B‑Base على مجموعة التطوير من 15.9 إلى 67.3.
- تحسنت النتيجة على مجموعة اختبار محجوبة من 9.2 إلى 48.2، متجاوزةً نتيجة النسخة الرسمية الموجّهة البالغة 47.9.
- استخدم الوكلاء بيانات متاحة للعامة فقط، ولم يُسمح لهم بالاستعانة بنماذج معلّمة خارجية.

## 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.

## المصادر والمراجع

1. [Athanor: An Agent-Native System for Autonomous Post-Training Research](https://arxiv.org/abs/2610.21055) – arXiv, 2026-10-16

آخر تحديث: 2026-10-16