💬 NLP

Recursive Multi-Agent Systems

تقدم هذه الورقة البحثية RecursiveMAS، وهو إطار عمل متعدد الوكلاء تكراري يوحد الوكلاء غير المتجانسين في حلقة تعاون في الفضاء الكامن باستخدام خوارزمية تعلم مبتكرة، محققاً تحسينات كبيرة في الدقة، وسرعة الاستدلال، وكفاءة الرموز (tokens) عبر معايير متنوعة مقارنة بالأنظمة الحالية أحادية ومتعددة الوكلاء.

المؤلفون الأصليون: Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

نُشر 2026-04-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

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

الفكرة الكبرى: تحويل الفريق إلى حلقة ذاتية التحسين

تخيل أن لديك فريقاً من الخبراء يحاولون حل لغز صعب للغاية. عادةً، يعملون مثل سباق التتابع: الشخص (أ) يمرر ملاحظة إلى الشخص (ب)، والذي بدوره يمرر ملاحظة إلى الشخص (ج). إذا ارتكب الشخص (أ) خطأً، فسيضطر الشخص (ب) لقراءة الملاحظة الخاطئة، مما يسبب له الارتباك، ثم يمرر فكرة خاطئة. وبحلول الوقت الذي تصل فيه الإجابة إلى النهاية، يكون الخطأ الأصلي قد تضخم ليصبح فوضى عارمة.

يغير RecursiveMAS قواعد اللعبة. فبدلاً من تمرير الملاحظات ذهاباً وإياباً، يعمل الفريق في حلقة مستمرة وغير مرئية. هم لا يتحدثون بصوت عالٍ؛ بل "يفكرون" معاً في مساحة ذهنية مشترة وخاصة. وإذا تعثر الفريق، فهم لا ينتقلون ببساطة إلى الشخص التالي، بل يعودون إلى بداية الحلقة، ويقومون بتنقيح أفكارهم، ويحاولون مجدداً، ليصبحوا أكثر ذكاءً مع كل دورة.

المكونات الأساسية: كيف يعمل؟

1. "الفكرة غير المرئية" (المساحة الكامنة - Latent Space)

معظم أنظمة الذكاء الاصطنا_عي تتواصل مع بعضها البعض باستخدام الكلمات (النصوص). هذا يشبه فريقاً يصرخ بالتعليمات عبر غرفة صاخبة؛ وهو أمر بطيء، ويتعين عليهم كتابة كل كلمة حرفياً.

يستخدم RecursiveMAS ما يسمى بـ "الأفكات الكامنة" (Latent Thoughts). تخيل أن الوكلاء لديهم قدرة التخاطر. فبدلاً من كتابة رسالة طويلة، يقومون بتمرير "حزمة أفكار" واحدة مكثفة مباشرة من عقل إلى آخر.

ادعاء الورقة البحثية: هذا أسرع بكثير لأنهم يتجاوزون العملية البطيئة لتحويل الأفكار إلى كلمات ثم العودة إليها مرة أخرى. وهذا يوفر كمية هائلة من استخدام "الرموز" (Tokens) (وهو ما يشبه توفير الورق والحبر).

2. "المترجم" (RecursiveLink)

يتكون الفريق من أنواع مختلفة من نماذج الذكاء الاصطناعي (بعضها صغير وسريع، وبعضها كبير وذكي). وهم يتحدثون "لغات" داخلية مختلفة.

التشبيه: تخيل طباخاً فرنسياً، ومهندساً ألمانياً، وفناناً يابانياً يحاولون التعاون. إنهم بحاجة إلى مترجم.
ادعاء الورقة البحثية: قام المؤلفون ببناء وحدة صغيرة وخفيفة الوزن تسمى RecursiveLink. تعمل هذه الوحدة كمترجم عالمي يحول "حزمة الأفكار" من تنسيق وكيل إلى آخر فوراً دون فقدان المعنى. إنها تشبه جسراً سحرياً يسمم لهم مشاركة الأفكار بسلاسة.

3. "الحلقة" (التكرار - Recursion)

في الفريق العادي، تطرح سؤالاً مرة واحدة وتحصل على إجابة واحدة. أما في RecursiveMAS، فإن الفريق يطرح السؤال، يحصل على الإجابة، ثم يسأل فوراً: "مهلاً، هل هذا صحيح؟ دعونا نفكر في الأمر مجدداً".

التشبيه: تخيل مجموعة من المحققين يحلون جريمة. بدلاً من مجرد تقديم تقرير، يجتمعون في دائرة، ويراجعون الأدلة، ويدركون وجود خطأ، ثم يبدأون التحقيق فوراً من جديد برؤية جديدة. يفعلون ذلك مرة أو مرتين أو ثلاث مرات متتالية.
ادعاء الورقة البحثية: تسمح هذه "الحلقة" للنظام بتصحيح أخطائه بنفسه. وكلما زاد عدد مرات تكرار الحلقة، أصبحت الإجابة النهائية أكثر دقة.

التدريب: تعليم الفريق كيفية التكرار

لا يمكنك مجرد إخبار فريق بأن "يكرر" وتتوقع أن يتحسنوا. يجب أن يتعلموا كيفية تنقية أفكارهم.

استخدم المؤلفون طريقة تدريب مكونة من خطوتين:

الحلقة الداخلية (الإحماء): علموا كل وكيل على حدة كيف يولد "حزم أفكار" أفضل بمفرده.
الحلقة الخارجية (العمل الجماعي): علموا الفريق بأكمله كيفية تمرير تلك الحزم حول الحلقة وتصحيح أخطاء بعضهم البعض.

النتيجة السحرية: تدعي الورقة البحثية أنه من خلال تدريب النظام بأكمله كحلقة واحدة كبيرة، تظل "التدرجات" (Gradisents) (وهي الإشارات الرياضية التي تخبر الذكاء الاصطناعي بكيفية التحسن) قوية ومستقرة. في الأنظمة النصية العادية، غالباً ما تتلاشى هذه الإشارات (Vanish) بعد بضع خطوات، مما يجعل التعلم صعباً. أما في RecursiveMAS، فتظل الإشارة عالية وواضحة، مما يسمح للفريق بتعلم المهام المعقدة بفعالية.

النتائج: أسرع، أرخص، وأذكى

اختبرت الورقة البحثية هذا النظام في 9 تحديات صعبة مختلفة، بما في ذلك مسائل الرياضيات، والتشخيص الطبي، والبرمجة، والأسئلة العلمية. وإليكم ما وجدوه:

أذكى: في المتوسط، كان RecursiveMAS أكثر دقة بنسبة 8.3% من الأنظمة المتقدمة الأخرى. لقد أصبح أفضل في حل المسائل الرياضية والعلمية الصعبة.
أسرع: نظراً لأنه يتجاوز خطوة "كتابة الكلمات" وينتقل مباشرة إلى "التفكير"، فهو أسرع بمعدل 1.2 إلى 2.4 مرة من الأنظمة القائمة على النصوص.
أرخص: يستخدم أقل بنسبة 34% إلى 75% من "الرموز" (Tokens) (الموارد الحسابية). تخيل حل مشكلة باستخدام ربع الورق الذي تحتاجه عادةً.

"قانون القياس" (The Scaling Law)

اكتشفت الورقة البحثية أيضاً نمطاً رائعاً: كلما زادت عدد الدورات، زاد الأداء.

إذا جعلت النظام يفكر في المشكلة 3 مرات بدلاً من مرة واحدة، فإن الدقة ترتفع بشكل ملحوظ.
على عكس الأنظمة الأخرى التي قد ترتبك أو تصبح أبطأ إذا طلبت منها التفكير لمرات عديدة، فإن RecursiveMAS يزدهر بذلك. إنه مثل العضلة التي تصبح أقوى كلما مارست التمرين.

الملخص

RecursiveMAS هو طريقة جديدة لتنظيم وكلاء الذكاء الاصطناعي. فبدلاً من سلسلة خطية من الأشخاص الذين يمررون الملاحظات، فإنه يخلق حلقة ذاتية التصحيح حيث يتشارك الوكلاء أفكاراً غير مرئية عبر مترجم عالمي. يتيح ذلك للفريق تصحيح أخطائه، والتعلم بشكل أسرع، وحل مشكلات أصعب، والقيام بكل ذلك بقدر أقل بكثير من القدرة الحسابية.

تخلص الورقة البحثية إلى أن هذا النهج هو طريقة أكثر كفاءة وقوة لتوسيع نطاق التعاون بين وكلاء الذكاء الاصطناعي، مما يثبت أن "التفكير معاً في حلقة" أفضل من "التحدث في خط مستقيم".

إليك ملخص تقني مفصل لورقة البحث "الأنظمة متعددة الوكلاء التكرارية" (RecursiveMAS).

1. بيان المشكلة

غالبًا ما تعاني النماذج اللغوية الكبيرة (LLMs) الحالية من صعوبة في التعامل مع المهام المعقدة بسبب القدرة المحدودة، أو التوليد قاصر النظر، أو الاستكشاف غير الفعال لمساحة الحلول. وبينما ظهرت الأنظمة متعددة الوكلاء (MAS) لمعالجة ذلك من خلال تنظيم وكلاء متخصصين في سير عمل تعاوني، إلا أن الأساليب الحالية تواجه قيودًا كبيرة:

زمن انتقال الوساطة النصية: يعتمد نظام MAS القياسي على توليد وتبادل النصوص الصريح بين الوكلاء. يؤدي هذا إلى زمن انتقال كبير وتكاليف إضافية في عدد الرموز (tokens)، خاصة في الإعدادات التكرارية أو المتكررة حيث يتعين على الوكلاء الانتظار حتى ينهي الآخرون توليد النص قبل المتابعة.
عدم كفاءة التدريب: يعد تحسين نظام MAS بأكمله أمرًا صعبًا. فتحديث جميع معاملات النموذج مكلف حوسبيًا، كما أن التبعيات النصية المتسلسلة غالبًا ما تؤدي إلى تلاشي التدرج (gradient vanishing) أثناء الانتشار العكسي، مما يعيق تعلم ديناميكيات التعاون المعقدة.
التكيف الساكن: تعتمد العديد من الطرق الحالية على هندسة الأوامر (prompt engineering) أو صقل السياق التكراري، وهو ما يحسن المحاذاة ولكنه لا يطور بشكل أساسي قدرات الاستدلال الداخلي للوكلاء أو الهيكل التعاوني للنظام.

يتساءل المؤلفون: هل يمكن توسيع نطاق تعاون الوكلاء نفسه من خلال التكرار (recursion)، وهل يمكن تحقيق ذلك بكفاءة أكبر من خلال العمل في الفضاء الكامن (latent space) بدلاً من الفضاء النصي؟

2. المنهجية: RecursiveMAS

تقدم الورقة البحثية RecursiveMAS، وهو إطار عمل يصنف النظام متعدد الوكلاء بأكمله كحوسبة تكرارية موحدة في الفضاء الكامن. بدلاً من معاملة الوكلاء ككيانات منفصلة تتبادل النصوص، يعامل RecursiveMAS الوكلاء كطبقات في حلقة تكرارية، حيث يتم تمرير وصقل التمثيلات الكامنة (الحالات الخفية) بدلاً من الرموز (tokens).

المكونات الهيكلية الأساسية

توليد الأفكار الكامنة (الحلقة الداخلية):
- يقوم كل وكيل بعملية توليد ذاتي الانحدار (auto-regressive generation)، ليس للرموز، بل للأفكار الكامنة (تضمينات الحالة الخفية المستمرة).
- تربط الرابط التكراري الداخلي ( $R_{in}$ ) مخرجات الطبقة الأخيرة للوكيل بالمدخلات الخاصة بمساحة التضمين للخطوة التالية. يسمح هذا للوكيل بصقل حالة استدلاله الداخلي بشكل متكرر دون فك التشفير إلى نص.
- $R_{in}$ هو وحدة إسقاط متبقية (residual projection) خفيفة الوزن مكونة من طبقتين: $R_{in}(h) = h + W_2 \sigma(W_1 h)$ .
التعاون عبر الوكلاء (الحلقة الخارجية):
- يتم ربط الوكلاء غير المتجانسين (أحجام/بنى نماذج مختلفة) عبر الرابط التكراري الخارجي ( $R_{out}$ ).
- يقوم $R_{out}$ بتحويل الحالة الكامنة لوكيل ما إلى مساحة التضمين للوكيل التالي، مما يتيح نقل المعلومات بسلاسة عبر أنواع مختلفة من النماذج.
- يشكل النظام حلقة مغلقة: الوكيل $A_1 \to A_2 \to \dots \to A_N \to A_1$ . يقوم الوكيل الأخير فقط في جولة التكرار الأخيرة بفك تشفير الحالة الكامنة إلى المخرج النصي النهائي.
نموذج تدريب الحلقة الداخلية-الخارجية:
- تدريب الحلقة الداخلية: يتم تسخين كل وكيل بشكل فردي. يتم تدريب $R_{in}$ الداخلي لمحاذاة الأفكار الكامنة التي يولدها الوكيل مع التوزيع الدلالي للإجابة الصحيحة (باستخدام انحدار تشابه جيب التمام). يضمن ذلك قدرة الوكلاء على توليد حالات كامنة ذات معنى.
- تدريب الحلقة الخارجية: يتم تحسين النظام بأكمله بشكل مشترك. يتم تدريب وحدات $R_{out}$ الخارجية باستخدام آلية مشتركة لتخصيص الائتمان (credit assignment) قائمة على التدرج. يتم نشر التدرجات عبر الرسم البياني للحوسبة التكرارية الكاملة (عبر جميع الوكلاء وجولات التكرار) باستخدام دالة خسارة التقاطع المتقاطع (Cross-Entropy) على المخرج النهائي. يسمح هذا للنظام بتعلم كيفية التعاون بشكل متكرر.

المزايا النظرية

تقدم الورقة مبررين نظريين رئيسيين للتكرار في الفضاء الكامن:

التعقيد الزمني: يستبدل RecursiveMAS عملية فك التشفير المكلفة في مساحة المفردات ( $O(|V|)$ ) بالإسقاط في الفضاء الكامن ( $O(d_h^2)$ ). وبما أن البعد الخفي $d_h$ أصغر بكثير من حجم المفردات $|V|$ ، فإن التعقيد ينخفض بشكل كبير.
استقرار التدرج: يوضح التحليل النظري أن التكرار القائم على النصوص يعاني من تلاشي التدرج (معامل التدرج $\approx 0$ ) بسبب عملية الـ softmax وقيود الإنتروبيا. في المقابل، يحافظ RecursiveMAS على تدرجات مستقرة وثابتة تقريبًا (المعيار $\approx 1$ ) من خلال الاتصالات المتبقية (residual connections) في الفضاء الكامن، مما يسهل تدريب التكرار العميق الفعال.

3. المساهمات الرئيسية

التكرار على مستوى النظام: أول إطار عمل يوسع مبدأ التوسع التكراري من النماذج الفردية إلى الأنظمة متعددة الوكلاء غير المتجانسة، مع معاملة النظام بأكمله كحلقة موحدة في الفضاء الكامن.
الرابط التكراري خفيف الوزن: وحدة مبتكرة وموفرة للمعاملات ( $R_{in}$ و $R_{out}$ ) تمكن من توليد الأفكار الكامنة ونقل الحالة عبر الوكلاء دون تحديث المعاملات الضخمة للنماذج اللغوية الأساسية.
تحسين الحلقة الداخلية-الخارجية: خوارزمية تدريب من مرحلتين تفصل بين قدرة الوكيل (الداخلية) والتعاون في النظام (الخارجية)، مما يسمح بالتحسين المشترك المستقر للنظام بأكره.
القدرة على التعميم: الإطار مستقل عن البنية ويدعم أنماط تعاون متنوعة، بما في ذلك التسلسلي، ومزيج الخبراء (Mixture-of-Experts)، والتقطير (Distillation)، والمداولة المتكاملة مع الأدوات.

4. النتائج التجريبية

قيم المؤلفون RecursiveMAS عبر 9 اختبارات مرجعية (الرياضيات، العلوم، الطب، البحث، البرمجة) باستخدام 4 أنماط تعاون مختلفة وعائلات نماذج متنوعة (Qwen, Llama, Gemma, Mistral).

الدقة: حقق RecursiveMAS متوسط تحسن في الدقة بنسبة 8.3% مقارنة بالنماذج الفردية المتقدمة والنماذج متعددة الوكلاء المرجعية (بما في ذلك الأنظمة التكرارية القائمة على النصوص).
- مكاسب ملحوظة في المهام كثيفة الاستدلال: +18.1% في AIME2025، و +13.0% في AIME2026.
الكفاءة (السرعة):
- تسريع الاستدلال: حقق تسريعًا في الاستدلال النهائي (end-to-end) يتراوح بين 1.2× و 2.4× مقارنة بنظم MAS التكرارية القائمة على النصوص. يزداد التسريع مع زيادة عمق التكرار لأن الأنظمة النصية تعاني من تكاليف تراكمية في توليد الرموز.
- تقليل الرموز (Tokens): قلل استخدام الرموز بنسبة تتراوح بين 34.6% إلى 75.6% مقارنة بالنماذج المرجعية النصية، حيث تتم معظم التفاعلات في الفضاء الكامن المضغوط.
قوانين التوسع (Scaling Laws):
- عمق التكرار: يتحسن الأداء باستمرار مع زيادة عدد جولات التكرار ( $r=1, 2, 3$ ).
- التدريب مقابل الاستدلال: يعمل تكرار التدريب الأعمق على رفع حدود الأداء للأعلى، ويستفيد تكرار الاستدلال الأعمق بشكل أكبر من البنية الكامنة المتعلمة.
التكلفة: يعد تدريب RecursiveMAS أرخص بكثير من التدريب الدقيق الكامل (full fine-tuning) أو حتى تدريب LoRA للوكلاء المنفردين، حيث يتم تحديث وحدات RecursiveLink الخفيفة فقط (حوالي 0.31% من إجمالي المعاملات).

5. الأهمية

يمثل RecursiveMAS تحولًا جذريًا في كيفية تصميم وتدريب الأنظمة متعددة الوكلاء:

الكفاءة: يحل مشكلة "ضريبة الرموز" (token tax) في التعاون متعدد الوكلاء، مما يجعل الاستدلال المتكرر ممكنًا للمهام المعقدة دون زمن انتقال أو تكلفة باهظة.
القابلية للتوسع: يثبت أن أداء النظام يمكن توسيعه من خلال تعميق حلقة التكرار، تمامًا كما تتوسع النماذج الفردية مع العمق، ولكن مطبقًا على نظام تعاوني.
الاستقرار: من خلال نقل التعاون إلى الفضاء الكامن، يتغلب النظام على مشكلات عدم استقرار التدرج التي أعاقت تاريخيًا التدريب التكراري العميق في الأنظمة القائمة على النصوص.
التعميم: تشير قدرة الإطار على التعميم عبر طوبولوجيا الوكلاء المختلفة (تسلسلي، متوازي، تقطير) إلى نهج قوي وعالمي لتوسيع نطاق تعاون الوكلاء.

ختامًا، يثبت RecursiveMAS أن التكرار في الفضاء الكامن هو محور توسع قابل للتطبيق ومتفوق للأنظمة متعددة الوكلاء، مما يوفر مسارًا نحو ذكاء اصطناعي تعاوني أكثر قدرة وكفاءة وقابلية للتدريب.