# بهبود مدل 12B برای خرده‌فروشی و هواپیمایی بدون معلم

> یک عامل مبتنی بر Gemma-4 12B با یادگیری از گزارش‌های خودش، نرخ موفقیت در بنچمارک‌ها را تا 22 امتیاز بالا می‌برد؛ آن هم بدون مدل معلم.

Oossa · 2026-11-13 · https://oossa.com/fa/teacher-free-co-evolution-improves-a-12b-llm-for-retail-and-airline-tasks

پژوهشگرانی به سرپرستی یوجیا ژانگ در مقاله‌ای که 13 نوامبر 2026 منتشر شد، حلقهٔ آموزشی تازه‌ای را برای یک مدل زبانی بزرگ Gemma-4 با 12 میلیارد پارامتر معرفی کردند که در ربات‌های خدمات مشتری به کار می‌رود. این مدل از گفت‌وگوهای ناموفق، قواعد سیاستی خودش را می‌نویسد و پیش از آموزش یک آداپتور LoRA آن‌ها را اعتبارسنجی می‌کند. پس از دو دور، امتیاز موفقیت عامل در بنچمارک‌های خرده‌فروشی و هواپیمایی 12.5 تا 19.5 امتیاز افزایش یافت و از نسخهٔ مرجعی که قواعد سیاستی را به‌صورت ثابت در خود دارد، بهتر عمل کرد. این روش فاصلهٔ عملکرد را با مدل‌های پیشرفتهٔ پیشتاز کمتر می‌کند.

## حقایق

- مقاله جمعه، 13 نوامبر 2026 منتشر شد
- افزایش پس از دو دور: 12.5 امتیاز در خرده‌فروشی و 19.5 امتیاز در هواپیمایی

## چرا مهم است

کسب‌وکارها می‌توانند مدل‌های زبانی بزرگِ کوچک‌تر و متن‌باز را به کار بگیرند که بدون مدل‌های معلمِ پرهزینه، پایبندی به سیاست‌ها را بهبود می‌دهند.

## منابع و ارجاع‌ها

1. [Knowledge in the Harness, Reliability in the Weights: Teacher-Free Co-Evolution of an LLM Agent](https://arxiv.org/abs/2611.15268) – arXiv, 2026-11-13

آخرین به‌روزرسانی: 2026-11-13