KAT-Coder-V2 Technical Report
يُعد KAT-Coder-V2 نموذجاً برمجياً وكيلياً طورته شركة Kuaishou، يعتمد على نموذج "التخصص ثم التوحيد" لتدريب خمسة مجالات خبيرة قبل دمجها في نموذج واحد، محققاً أداءً هو الأفضل في فئته على معايير مثل SWE-bench Verified وPinchBench من خلال ابتكارات مثل بنية KwaiEnv واستقرار MCLA.
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 بناء مهندس برمجيات فائق الذكاء يمكنه فعل كل شيء: إصلاح الكود المعطل، تصميم مواقع إلكترونية رائعة، إدارة أوامر الخادم، البحث في الويب عن الإجابات، وحتى حل المسائل الرياضية المعقدة.
في الماضي، كانت نماذج الذكاء الاصطناği مثل المتدربين العامين. كانوا يعرفون القليل عن كل شيء، لكنهم غالبًا ما كانوا يواجهون صعوبة عندما يصبح المهم محددًا للغاية أو معقدًا. إذا طلبت منهم إصلاح خطأ برمجي (bug) في قاعدة بيانات ضخمة، فقد يتوهون. وإذا طلبت منهم تصميم موقع إلكتروني عصري، فقد يجعلونه يبدو مملًا وعاديًا.
تقدم ورقة بحث KAT-Coder-V2 طريقة جديدة لتدريب هؤلاء المهندسين من الذكاء الاصطناعي. فبدلاً من محاولة تعليم عقل واحد أن يكون مثاليًا في كل شيء في وقت واحد، استخدم فريق KwaiKAT استراتيجية تسمى "التخصص ثم التوحيد" (Specialize-then-Unify).
إليك كيف فعلوا ذلك، مشروحًا من خلال تشبيهات بسيطة:
1. نهج "الفريق المتخصص" (التخصص ثم التوحيد)
تخيل أنك تبني مطعمًا فاخرًا. بدلًا من توظيف طباخ واحد يحاول خبز الخبز، وشواء اللحم، وخلط المشروبات في نفس الوقت، تقوم بتوظيف خمسة طهاة خبراء، كل منهم يتقن محطة عمل محددة:
- طباخ هندسة البرمجيات (SWE Chef): خبير في إصلاح الكود المعطل وتصحيح الأخطاء.
- طباخ برمجة الويب (WebCoding Chef): فنان يجعل المواقع الإلكترونية تبدو مذهلة وأنيقة.
- طباخ الطرفية (Terminal Chef): ساحر في سطر الأوامر يدير الخوادم والأنظمة.
- طباخ البحث في الويب (WebSearch Chef): باحث يجد أفضل المعلومات عبر الإنترنت.
- الطباخ العام (General Chef): خبير في المنطق، والرياضيات، واتباع التعليمات المعقدة.
العملية:
- تدريب الخبراء: قام الفريق بتدريب كل واحد من هؤلاء "الطهاة" الخمسة بشكل منفصل باستخدام كميات هائلة من البيانات المتخصصة. طباخ هندسة البرمجيات ركز فقط على إصلاح الكود؛ وطباخ برمجة الويب ركز فقط على اتجاهات التصميم. سمح هذا لهم بأن يصبحوا عالميين في مجالاتهم المحددة دون الارتباك بالمهام الأخرى.
- خطوة "التوحيد" (On-Policy Distillation): بمجرد أن أصبح الخبراء جاهزين، كان عليهم دمجهم في "رئيس طهاة خارق" واحد (نموذج KAT-Coder-V2 النهائي).
- التحدي: إذا قمت بخلط أدمغتهم معًا فحسب، فسينسى النموذج كيفية القيام بالأشياء (مثل الطالب الذي يدرس لاختبار الرياضيات ولكنه ينسى كيف يطبخ).
- الحل: استخدموا تقنية تسمى "التقطير داخل السياسة" (On-Policy Distillation). تخيل أن رئيس الطهاة الخارق يتدرب على وصفة ما. عندما يتعثر، يتدخل الطباخ الخبير المحدد (مثل طباخ برمجة الويب) ويهمس له بالخطوة التالية الصحيحة. يتعلم رئيس الطهاة الخارق من خلال فعل المهمة أثناء الاستماع إلى نصيحة الخبير في الوقت الفعلي. بهذه الطيغة، يحتفظ النموذج النهائي بجميع المهارات دون أن ينسى أيًا منها.
2. "الملعب اللانهائي" (KwaiEnv)
لتدريب هؤلاء الوكلاء، لا يمكنك الاكتفاء باستخدام كتاب مدرسي. أنت بحاجة إلى ملعب ضخم وآمن حيث يمكنهم تجربة الأشياء، وكسرها، وإصلاحها دون التسبب في تعطل الإنترنت الحقيقي.
بنى الفريق KwaiEnv، وهو يشبه مدينة ملاهي مؤتمتة ضخمة تحتوي على عشرات الآلاف من "غرف الرمل" (sandboxes) الفردية.
- التصميم التركيبي (Modular Design): فكر في الأمر كقطع "ليغو". يمكنك تركيب كتلة "مجموعة بيانات" جديدة، أو كتلة "اختبار" جديدة، أو كتلة "أداة برمجة" جديدة دون إعادة بناء الحديقة بأكملها.
- السرعة العالية: يمكنهم تشغيل آلاف من هذه الملاعب فورًا. وهذا يسمح للذكاء الاصطناعي بممارسة ملايين السيناريوهات (مثل إصلاح خطأ برمجي أو تصميم صفحة) في وقت واحد، والتعلم من أخطائه بسرعة البرق.
3. حيل تدريب أذكى (MCLA و Tree Training)
إن تدريب ذكاء اصطناعي يفكر بطريقة "الأشجار" (يتخذ قرارًا، ثم يتفرع إلى احتمالين، ثم ثلاثة المزيد) هو أمر مكلف حاسوبيًا. إنه يشبه محاولة قراءة كتاب حيث في كل مرة تقلب فيها صفحة، يتعين عليك إعادة قراءة القصة بأكملها لفهم السياق.
ابتكر الفريق اختصارين ذكيين:
- تدريب الشجرة (Tree Training): بدلاً من إعادة قراءة القصة بأكملها في كل مرة، أدركوا أن العديد من فروع "الشجرة" تشترك في البداية نفسها. لقد وجدوا طريقة لـ مشاركة العمل. إذا بدأت ثلاثة مسارات مختلفة بنفس الجملة، فإن الكمبيوتر يحسب تلك الجملة مرة واحدة فقط، مما يوفر وقتًا هائلاً (بنسبة تصل إلى 6.2 ضعفًا).
- MCLA (متوسط احتمالية لوغاريتم مونت كارلو): تخيل أن الذكاء الاصطناعي يحاول تخمين الكلمة التالية في جملة، لكنه "مضطرب" أو غير مستقر قليلاً. MCLA يشبه القيام بـ 8 تخمينات سريعة ومتوسطها للحصول على إجابة سلسة ومستقرة. هذا يمنع الذكاء الاصطناعي من فقدان السيطرة أثناء التدريب ويساعده على التعلم بشكل أسرع.
4. النتائج: ما مدى جودته؟
تقارن ورقة البحث KAT-Coder-V2 بينه وبين "ملوك" الذكاء الاصطناعي الحالي في البرمجة (مثل Claude Opus 4.6).
- هندسة البرمجيات: سجل 79.6% في إصلاح أخطاء حقيقية، وهو ما يقارب أداء أفضل نموذج تجاري (80.8%).
- التصميم: سجل 88.7 في اختبار مرجعي للتصميم، متفوقًا على النماذج الرائدة الأخرى. يمكنه أخذ أمر غامض مثل "اجعل الأمر رائعًا وبأسلوب الشارع" وتحويله إلى موقع إلكتروني احترافي.
- تعدد الاستخدامات: يعمل بشكل جيد في مهام سطر الأوامر والاستنتاج العام، مما يثبت أنه ليس مجرد نموذج متخصص في أمر واحد.
الصورة الكبيرة
تظهر ورقة بحث KAT-Coder-V2 أن مستقبل برمجة الذكاء الاصطناعي لا يتعلق ببناء عقل واحد ضخم يعرف كل شيء بشكل غامض. بل يتعلق بـ بناء فريق من المتخصصين، وتدريبهم ليكونوا مثاليين في وظائفهم، ثم تعليمهم العمل معًا كوحدة واحدة سلسة.
من خلال الجمع بين التدريب المتخصص، وملعب مؤتمت ضخم، وحيل رياضية أذكى، أنشأوا ذكاءً اصطناعيًا مستعدًا للعمل جنبًا إلى جنب مع المطورين البشر، لإصلاح الأخطاء، وتصميم المواقع، وحل المشكلات المعقدة بمهارة مهندس برمجيات خبير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.