# GameSmith يوسّع تدريب النماذج اللغوية على ألعاب محصلتها صفر

> ينشئ المسار الجديد مئات الألعاب الاصطناعية للاعبين، ما ساعد نموذجًا من 4B معاملات على رفع درجة الاستدلال من 45.5 إلى 62.5.

Oossa · 2026-10-14 · https://oossa.com/ar/gamesmith-expands-zero-sum-game-training-for-llms

قدّم باحثون بقيادة Waylon Li نظام GameSmith، الذي يولّد مجموعة كبيرة من ألعاب المحصلة صفر للاعبين، استنادًا إلى قوالب ثابتة. وتُفحَص كل لعبة عبر إعادة تشغيلها ومقارنتها بتنفيذ منفصل، ما أسفر عن 26 لعبة جديدة ضمن 29 عائلة و336 صيغة خضعت للتحقق. ويلعب النموذج الأكبر Qwen3‑32B هذه الألعاب ضد نفسه، ثم تُنقل معارفه إلى نموذج أصغر هو Qwen3‑4B‑Base. وفي مجموعة تضم 13 معيارًا للاختبار، ارتفع متوسط درجة pass@1 للنموذج بعد نقل المعرفة من 45.5 إلى 62.5، ثم وصل إلى 64.9 بعد مواصلة اللعب الذاتي باستخدام مقدّر CRAB.

## الحقائق

- تولّد 26 لعبة جديدة ضمن 29 عائلة و336 صيغة خضعت للتحقق
- ارتفع متوسط pass@1 لنموذج Qwen3‑4B‑Base من 45.5 إلى 62.5 بعد نقل المعرفة

## لماذا يهم

تُظهر هذه النتيجة أن تدريب النماذج اللغوية الأصغر على مجموعة أوسع من الألعاب الاصطناعية يمكن أن يعزز قدراتها على الاستدلال.

## المصادر والمراجع

1. [GameSmith: Scaling Zero-Sum Self-Play with Synthesised Games](https://arxiv.org/abs/2610.13995) – arXiv cs.LG, 2026-10-14

آخر تحديث: 2026-10-14