🤖 AI

Simulating Complex Multi-Turn Tool Calling Interactions in Stateless Execution Environments

تقدم هذه الورقة DiGiT-TC، وهي طريقة مبتكرة لتوليد البيانات تقوم بتخليق محادثات استدعاء أدوات متعددة الأدوار ومعقدة لبيئات التنفيذ عديمة الحالة من خلال التمثيل الضمني لاستدعاءات الأدوات ضمن طلبات المستخدم، مما يتيح ضبط النماذج اللغوية الأصغر حجمًا بفعالية دون الاعتماد على التحقق من الحالة.

المؤلفون الأصليون: Maxwell Crouse, Ibrahim Abdelaziz, Kshitij Fadnis, Siva Sankalp Patel, Kinjal Basu, Chulaka Gunasekara, Sadhana Kumaravel, Asim Munawar, Pavan Kapanipathi

نُشر 2026-05-12

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Maxwell Crouse, Ibrahim Abdelaziz, Kshitij Fadnis, Siva Sankalp Patel, Kinjal Basu, Chulaka Gunasekara, Sadhana Kumaravel, Asim Munawar, Pavan Kapanipathi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت خادم كيفية التعامل مع مهام معقدة، مثل "ابحث عن فيلم، وتحقق من مواعيد العرض، واشترِ تذكرة لأول موعد متاح".

في العالم الحقيقي، إذا كنت تختبر هذا الروبوت، فستتركه ينفذ هذه الأوامر فعلياً في نظام سينما حقيقي. ستراقبه وهو يتحقق من قاعدة البيانات، ويرى النتائج، ثم يشتري التذكرة. إذا نجح، ستعرف أنه تعلم جيداً. هذا ما فعله معظم الباحثين في مجال الذكاء الاصطوتني حتى الآن: لقد بنوا "ملاعب" حيث يمكن للروبوت لمس الأشياء وتغييرها فعلياً (بيئة ذات حالة - stateful environment).

المشكلة:
لكن ماذا لو لم يكن بإمكانك السماح للروبوت بلمس العالم الحقيقي؟ ربما تكون البيانات حساسة للغاية (مثل قائمة عملاء سرية لبنك)، أو ربما يكون بناء "الملعب" مكلفاً للغاية. في هذه الحالات، لا يمكنك اختبار الروبوت عن طريق تركه ينفذ الأوامر. عليك تعليمه باستخدام قائمة من التعليمات فقط (مواصفات الأدوات) دون رؤية النتائج الفعلية أبداً.

حاولت معظم الطرق السابقة التظاهر بأن الروبوت قد نفذ الأوامر بالفعل. لكنها أغفلت جزءاً حاسماً من المحادثة البشرية: الخطوات الضمنية (Implicit Steps).

عندما تطلب من مساعد بشري "حجز تذكرة لأول موعد عرض"، فأنت لا تقول له: "أولاً، قم بتشغيل أداة 'التحقق من مواعيد العرض'، ثم قم بتشغيل أداة 'حجز التذكرة". أنت تعطي الهدف فقط. المساعد يعرف أنه يجب عليه التحقق أولاً، رغم أنك لم تذكر ذلك. هذا هو استدعاء الأداة الضمني. لقد عانت الطرق السابقة في إنشاء بيانات تدريب تعلم الروبوتات كيفية استنتاج هذه الخطوات الخفية بمفردها.

الحل: DiGiT-TC (طريقة "الهندسة العكسية")
قدم باحثو IBM طريقة جديدة تسمى DiGiT-TC. بدلاً من سؤال الروبوت: "ماذا يجب أن أفعل بعد ذلك؟"، قاموا بقلب السيناريو.

فكر في الأمر كأنك مخرج سينمائي يعمل بشكل عكسي:

المخرج يكتب السيناريو أولاً: يطلب النظام أولاً من ذكاء اصطناعي قوي كتابة كامل تسلسل الإجراءات التي يحتاجها الروبوت لحل مشكلة ما (مثلاً: التحقق من مواعيد العرض -> حجز التذكرة).
"المحرر" يخفي القرائن: يعمل النظام بعد ذلك كمحرر ذكي. يأخذ ذلك السيناريو الكامل ويقرر أي الخطوات سيخفيها من "المستخدم". فهو يبقي الهدف النهائي (حجز تذكرة) ظاهراً، ولكنه يخفي الخطوة المتوسطة (التحقق من مواعيد العرض).
"المترجم" يكتب الطلب: الآن، يطلب النظام من الذكاء الاصطناعي كتابة طلب مستخدم يتوافق مع الأجزاء الظاهرة فقط. لذا، يقول المستخدم "احجز تذكرة لأول موعد عرض"، ويجب على الذكاء الاصطناعي أن يستنتج خطوة "التحقق من مواعيد العرض" الخفية من تلقاء نفسه.
"التحقق المزدوج" (الترجمة العكسية): للتأكد من أن الذكاء الاصطناعي لم يرتبك، يقوم النظام بإجراء "اختبار عكسي". يأخذ طلب المستخدم ("احجز تذكرة...") ويسأل الذكاء الاصطناعي عن حل المشكلة من الصفر. إذا توصل الذكاء الاصطناعي إلى نفس الخطوات الخفية تماماً كما في السيناريو الأصلي، فإن البيانات جيدة. وإذا أخطأ الذكاء الاصطناعي، يتم استبعاد البيانات.

لماذا هذا مهم:
من خلال استخدام نهج "الهندسة العكسية" هذا، تمكن الباحثون من إنشاء مكتبة ضخمة من بيانات التدريب حيث يتعلم الروبوت كيفية ملء الفراغات. وقد اختبروا ذلك على معايير الاختبار القياسية (مثل BFCL و $\tau$ -bench) ووجدوا أن:

الروبوتات المدربة على هذه البيانات أصبحت أفضل بكثير في التعامل مع المهام متعددة الخطوات.
قدمت أداءً يضاهي، أو يتفوق على، الروبوتات المدربة على بيانات أكثر تكلفة ناتجة عن نماذج مغلقة المصدر رفيعة المستوى.
تعمل الطريقة حتى بدون وجود "ملعب" حقيقي لاختبار الروبوت، مما يجعلها آمنة للبيئات الحساسة مثل البنوك أو المستشفيات.

الخلاصة:
يزعم البحث أنه من خلال توليد البيانات "بشكل عكسي" — بالبدء بالحل والعمل نحو السؤال — يمكنهم تعليم نماذج الذكاء الاصطناعي الأصغر والأرخص كيفية التعامل مع المهام المعقدة ومتعددة الخطوات بنفس كفاءة النماذج الكبيرة والمكلفة، ودون الحاجة للوصו إلى أنظمة بيانات حقيقية وحساسة أثناء عملية التدريب. كما جعلوا كل أكوادهم وبياناتهم مفتوحة ومتاحة للجميع.

ملخص تقني: محاكاة تفاعلات استدعاء الأدوات المعقدة متعددة الجولات في بيئات التنفيذ عديمة الحالة

بيان المشكلة

تعد البيانات الاصطناعية موردًا حاسمًا لضبط النماذج اللغوية الكبيرة (LLMs) الأصغر حجمًا والأقل تكلفة للتعامل مع استدعاء الأدوات المعقد متعدد الجولات. ومع ذلك، فإن أطر العمل الحالية لتوليد مثل هذه البيانات تفترض غالبًا توفر بيئة تنفيذ ذات حالة (stateful execution environment). في هذه البيئات، يتم تحديد صحة التفاعل بناءً على ما إذا كانت حالة التنفيذ تتطابق مع هدف محدد مسبقًا.

هذا الافتراض يفشل في العديد من السيناريوهات الواقعية، لا سيما في بيئات المؤسسات حيث تمنع أمن البيانات الوصول المتميز إلى الأنظمة الخلفية (backends) الحية، أو عندما يتم توليد مواصفات الأدوات من مصادر متعددة دون وجود حالة موحدة. علاوة على على ذلك، فإن العديد من النماذج اللغوية المفتوحة رفيعة المستوى يتم تدريبها على أدوات اصطناعية مولدة بواسطة نماذج لغوية كبيرة لا يمكن إلا محاكاتها. وتكافح الطرق الحالية لتوليد تفاعلات معقدة وذات مغزى متعددة الجولات تتضمن استدعاءات أدوات ضمنية (حيث لا يحدد طلب المستخدم كل أداة ضرورية بشكل صريح) دون الوصول إلى نظام خلفي حقيقي ذي حالة.

المنهجية: DiGiT-TC

يقدم المؤلفون إطار عمل DiGiT-TC (توليد وتحويل البيانات لاستدعاء الأدوات)، وهو إطار مصمم لإنتاج محادثات استدعاء أدوات اصطناعية متعددة الجولات تحاكي تعقيد الاستكشاف ذي الحالة، رغم عمله في بيئة عديمة الحالة (stateless). الابتكار الجوهري يكمن في "قلب" عملية التوليد: فبدلاً من توليد طلب مستخدم ثم اشتقاق استدعاءات الأدوات، يقوم DiGiT-TC أولاً بتوليد تسلسل من استدعاءات الأدوات ثم يبني طلب مستخدم مقابلًا لها.

يعمل إطار العمل من خلال المراحل التالية:

التهيئة (Initialization): يتم تهيئة المحادثة بقائمة رسائل فارغة، ومجموعة مختارة من الأدوات، وشخصية مستخدم (persona). يتم تعزيز الشخصية بتفاصيل محددة (مثل الموقع، المهنة) ذات صلة بالأدوات المختارة.
تقطير المخطط (Plan Distillation):
- يقوم نموذج لغوي كبير بتوليد تسلسل خام من استدعاءات الأدوات ( $S$ ) بناءً على الشخصية والأدوات. تتضمن هذه الاستدعاءات مراجع بين الأدوات (على سبيل المثال، استخدام تدوين بايثون مثل $1.output لتمرير البيانات بين الاستدعاءات).
- يُعامل التسلسل كـ "رسم بياني موجه غير حلقي" (Directed Acyclic Graph - DAG). يقوم إطار العمل بتقطير هذا التسلسل إلى تسلسل فرعي أكثر إيجازًا عن طريق اختيار أكبر مكون متصل، وتصفية استدعاءات الأدوات الزائدة أو المنفصلة.
توليد الطلب (اختيار استدعاء الأداة الضمني):
- يتم تقسيم التسلسل المقطر $S$ إلى مجموعتين: صريحة ( $E$ ) وضمنية ( $I$ ).
- تختار خوارزمية حجمًا مستهدفًا للمجموعة الضمنية. تقوم الخوارزمية بشكل تكراري بإزالة العناصر من $S$ التي ليست تبعيات لعناصر أخرى، مما يضمن أن المجموعة الضمنية المتبقية تحتوي على استدعاءات الأدوات الضرورية للمجموعة الصريحة ولكنها غير مذكورة مباشرة من قبل المستخدم.
- يولد النموذج اللغوي طلب مستخدم ( $r$ ) يستهدف صراحةً التسلسل $E$ مع تجنب أي ذكر مباشر للأدوات الموجودة في $I$ .
- التحقق (Validation): لضمان أن طلب المستخدم ليس مجرد نسخ حرفي بسيط لتسلسل الأداة، يحسب إطار العمل معامل ارتباط Kendall's $\tau_b$ بين ترتيب الوسائط (arguments) في استدعاءات الأدوات وترتيب ظهورها في طلب المستخدم. إذا كان الارتباط مرتفعًا جدًا (مما يشير إلى وجود رسم خطي صريح)، يتم استبعاد المثال.
الترجمة العكسية (Back Translation):
- للتخفيف من الضجيج وضمان أن طلب المستخدم المولد يؤدي بالفعل إلى تسلسل الأدوات المقصود، يقوم إطار العمل بخطوة الترجمة العكسية.
- يتم توجيه نموذج لغوي كبير للتنبؤ بتسلسل أدوات جديد ( $S'$ ) بناءً فقط على طلب المستخدم المولد ( $r$ ) والأدوات المتاحة.
- يتحقق النظام مما إذا كانت "الأوراق" (المخرجات النهائية) للتسلسل الأصلي $S$ ممثلة في $S'$ . إذا فشل الشرط leaves(S) \ leaves(S') = ∅ يتم استبعاد المثال.
الإنهاء والتعزيز (Termination and Augmentation):
- التنفيذ والتلخيص: يتم محاكاة استدعاءات الأدوات (عبر نموذج لغوي) لاستبدال قيم المتغيرات وتوليد ملخص للنتائج.
- تعزيز الأخطاء: يضيف إطار العمل التعقيد من خلال محاكاة نوعين من الأخطاء:
  - أخطاء بشرية: طلبات مستخدم غير قابلة للحل أو غير مكتملة تتطلب توضيحًا.
  - أخطاء تنفيذ الأدوات: محاكاة استدعاءات أدوات خاطئة متبوعة بتلميح (مولد عبر نموذج لغوي) يوجه النموذج نحو الحل الصحيح.

المساهمات الرئيسية

التوليد عديم الحالة للاستدعاءات الضمنية: يعد DiGiT-TC أول إطار عمل يولد بشكل منهجي تفاعلات معقدة متعددة الجولات مع استدعاءات أدوات ضمنية دون الحاجة إلى نظام خلفي ذي حالة.
استراتيجية التوليد الانتقائي: من خلال قلب ترتيب التوليد (استدعاء الأدوات $\leftarrow$ طلب المستخدم)، تكتسب الطريقة تحكمًا دقيقًا في أي الاستدعاءات ستكون صريحة وأيها ستكون ضمنية.
تخفيف الضجيج عبر الترجمة العكسية: تضمن خطوة الترجمة العكسية أن طلبات المستخدم المولدة قوية وتتوافق بدقة مع تسلسلات الأدوات المقصودة، مما يقلل من حالات الهلوسة أو عدم التطابق.
النظام البيئي مفتوح المصدر: يفتح المؤلفون إطار عمل توليد البيانات، والمطالبات (prompts)، ومجموعة البيانات الناتجة (5,000 نقطة بيانات) بالكامل، والتي تم إنتاجها باستخدام GPT-OSS-120B، وهو نموذج معلم (teacher model) ذو أوزان مفتوحة ومرخص للاستخدام.

النتائج التجريبية

قيم المؤلفون DiGiT-TC على ثلاثة معايير قياسية: BFCL (لوحة قيادة استدعاء الوظائف من بيركلي)، و $\tau$ -bench، و ACEBench.

مكاسب الأداء: أدى ضبط النماذج الأساسية (مثل Granite-4.1-3B و Llama3.1-8B-Inst) باستخدام بيانات DiGiT-TC إلى تحسينات كبيرة في الأداء (تتراوح بين 6 إلى 25 نقطة مئوية) مقارنة بالنماذج الأساسية.
مقارنة المعايير:
- في فئة BFCL Multi-Turn، حقق DiGiT-TC (باستخدام Llama3.1-8B-Inst) دقة بنسبة 35.5%، متفوقًا على طرق البيانات المفتوحة الأخرى مثل ToolWeave (25.0%) و Magnet (26.5%)، ومقتربًا من أداء النماذج المدربة على بيانات رائدة (مثل ToolACE-MT بنسبة 40.3%).
- أظهرت الطريقة قدرة عالية على التعميم عبر $\tau$ -bench و ACEBench، حيث تفوقت باستمرار على النهج السابقة المدربة حصريًا على البيانات مفتوحة المصدر.
دراسات الاستبعاد (Ablation Studies):
- أدى إزالة الاستدعاءات الضمنية للأدوات إلى انخفاض في الأداء بنسبة 4%، مما يؤكد ضرورتها للتفكير المعقد.
- أدت إزالة الترجمة العكسية إلى انخفاض بنسبة 3%، مما يسلط الضوء على دورها في تقليل الضجيج.
- استخدام نموذج معلم أصغر (GPT-OSS-20B) أدى إلى انخفاض بنسبة ~2%، مما يشير إلى أنه بينما تساعد النماذج الأكبر، تظل الطريقة فعالة مع النماذج الأصغر والأكثر سهولة في الوصول إليها.

الأهمية والادعاءات

يزعم البحث أن DiGiT-TC يعالج فجوة حرجة في تطوير الذكاء الاصطناسي الوكيل (agentic AI): وهي القدرة على تدريب النماذج الأصغر على بيانات استدعاء الأدوات المعقدة متعددة الجولات دون مخاطر الخصوصية والتكاليف المرتبطة بالوصول إلى الأنظمة الخلفية الحقيقية ذات الحالة.

الخصوصية والقابلية للتوسع: من خلال الاعتماد فقط على مواصفات الأدوات والنماذج ذات الأوزان المفتوحة، يتجنب النهج مخاطر أمن البيانات المرتبطة بالربط مع أنظمة المؤسسات الخلفية.
فعالية التكلفة: يشير المؤلفون إلى أن استخدام GPT-OSS-120B أرخص بكثير من استخدام النماذج الرائدة مثل GPT-4o (حوالي 0.015 دولار لكل مثال مقابل تكاليف أعلى بكثير لـ GPT-4)، مما يجعل توليد البيانات الاصطناعية عالية الجودة متاحًا لمجموعة أوسع من الممارسين.
أفضل أداء للنماذج المفتوحة: يضع هذا العمل معيارًا جديدًا لأداء استدعاء الأدوات متعدد الجولات بين النماذج المدربة حصريًا على بيانات منتجة بواسطة نماذج معلم مفتوحة المصدر وذات أوزان مفتوحة.

يقر المؤلفون بتواضع بأن المهام التي يتوفر فيها محاكاة كاملة لحالة النظام قد تظل فيها الطرق التي تستفيد من تلك الحالة متفوقة، ومع ذلك، يوفر DiGiT-TC عملية قوية وقابلة للتكرار لتوليد بيانات تدريب عالية الجودة في غياب مثل هذه البيئات.