پژوهشگران Athanor را منتشر کرده‌اند؛ سامانه‌ای متن‌باز که ابزارهای لازم را برای اجرای آزمایش‌های پس‌آموزش در اختیار عامل‌های هوش مصنوعی می‌گذارد. عامل‌ها به داده‌ها، مجموعه‌های ارزیابی و مدیریت کارها دسترسی دارند، اما نمی‌توانند از مدل‌های معلم بیرونی استفاده کنند. در آزمایشی ۱۰۴ساعته، چهار عامل Claude Opus 5.5 که هرکدام روی یک گره مجهز به هشت GPU کار می‌کردند، مدل خام Qwen3‑4B‑Base را به‌طور چشمگیری بهبود دادند.
عامل‌ها به چه نتیجه‌ای رسیدند
امتیاز مدل در مجموعه توسعه‌ای شش‌وظیفه‌ای از 15.9 به 67.3 رسید. در مجموعه آزمون پنهان نیز امتیاز از 9.2 به 48.2 افزایش یافت؛ نتیجه‌ای که به‌ترتیب از امتیازهای 66.5 و 47.9 نسخه رسمی Qwen3‑4B‑Instruct‑2507 بالاتر بود. عامل‌ها با ترکیب دوباره روش‌های شناخته‌شده به این نتایج رسیدند: تنظیم دقیق نظارت‌شده با داده‌های عمومیِ استدلال، تغییری تازه در روند تولید نمونه برای یادگیری تقویتی، ادغام وزن‌های مدل میان عامل‌ها و چند دور خودتقطیرسازی. همه این کارها بدون دریافت هیچ توصیه پژوهشی از انسان انجام شد.
اهمیت موضوع
اگر عامل‌های هوش مصنوعی بتوانند چرخه‌های پژوهشی قابل‌اعتماد را به‌تنهایی اجرا کنند، هزینه توسعه مدل‌های بهتر ممکن است کاهش یابد و روند پیشرفت سرعت بگیرد. برای توسعه‌دهندگانی که تیم‌های پژوهشی بزرگی ندارند، پلتفرم متن‌بازی مانند Athanor می‌تواند به گروه‌های کوچک‌تر امکان دهد خط لوله‌های آموزش خودکار را آزمایش کنند.
چرا مهم است
این نتیجه نشان می‌دهد عامل‌های هوش مصنوعی کنونی توانایی مهندسی کافی دارند تا یک چرخه کامل پژوهش پس‌آموزش را اجرا کنند. این قابلیت می‌تواند به سازمان‌هایی که آزمایشگاه‌های بزرگی ندارند کمک کند مدل‌های رقابتیِ تنظیم‌شده برای پیروی از دستور را با هزینه کمتری بسازند؛ بااین‌حال، هنوز تأیید مستقل این نتایج انجام نشده است.
