🤖 AI

OpenComputer: Verifiable Software Worlds for Computer-Use Agents

تقدم الورقة البحثية OpenComputer، وهو إطار عمل قائم على التحقق يبني عوالم برمجية قابلة للتحقق لوكلاء استخدام الكمبيوتر من خلال دمج أدوات تحقق من الحالة خاصة بالتطبيقات، وطبقة تحقق ذاتية التطور، ومسار لتوليد المهام، وهيكل تقييم للكشف عن فجوات كبيرة في متانة الوكلاء الحاليين، سواء الرائدة أو مفتوحة المصدر، رغم تقدمهم الجزئي.

المؤلفون الأصليون: Jinbiao Wei, Qianran Ma, Yilun Zhao, Xiao Zhou, Kangqi Ni, Guo Gan, Arman Cohan

نُشر 2026-05-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jinbiao Wei, Qianran Ma, Yilun Zhao, Xiao Zhou, Kangqi Ni, Guo Gan, Arman Cohan

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 تعلم روبوتًا كيفية القيام بمهامك اليومية، مثل تنظيم ملفاتك الرقمية، أو تعديل صورة، أو إرسال بريد إلكتروني. تريد أن يكون الروبوت مثاليًا، ولكن كيف ستعرف ما إذا كان قد أدى المهمة بشكل صحيح بالفعل؟

هذه هي المشكلة التي تعالجها ورقة البحث OpenComputer. لقد بنى المؤلفون "صالة تدريب" جديدة لوكلاء الذكاء الاصطناعي الذين يستخدمون الكمبيوتر، ولكن مع لمسة خاصة جدًا: فهي لا تكتفي فقط بمراقبة عمل الروبوت؛ بل تراجع واجباته المدرسية بعين دقيقة لا تغفل عن شيء.

إليك كيف يعمل OpenComputer، مشروحًا من خلال تشبيهات بسيطة:

1. المشكلة: فخ "تظاهر بالنجاح حتى تتقنه"

في الماضي، كان اختبار الذكاء الاصطناعي على أجهزة الكمبيوتر يشبه تقييم مقال طالب من خلال النظر إلى صفحة الغلاف فقط. إذا بدا الغلاف جميلًا، فقد يمنحه المعلم (الذكاء الاصطناعي الحَكَم) درجة امتياز. لكن الطالب قد يكون ترك المقال الفعلي فارغًا أو ملأه بكلمات غير مفهومة.

في العالم الرقمي، قد يقوم الذكاء الاصطناعي بأخذ لقطة شاشة لمستند يبدو مكتملًا، ولكن إذا كان الملف في الداخل فارغًا بالفعل أو كانت الإعدادات خاطئة، فقد يغفل "الذكاء الاصطناعي الحَكَم" عن الخطأ لأنه يرى الصورة فقط، وليس البيانات.

2. الحل: "المفتش الرقمي"

يغير OpenComputer قواعد اللعبة عبر بناء عالم برمجيات قابل للتحقق. فبدلاً من مجرد مراقبة الشاشة، يقوم النظام بتثبيت فريق من "المفتشين" المتخصصين (يُطلق عليهم اسم المدققين - Verifiers) داخل كل تطبيق يستخدمه الذكاء الاصطناعي.

وظيفة المفتش: تخيل أمين مكتبة لا ينظر فقط إلى غلاف الكتاب، بل يفتح الكتاب، ويتأكد من أرقام الصفحات، ويتحقق من اسم المؤلف، ويتأكد من أن النص يطابق قاعدة بيانات المكتبة.
كيف يعمل: لكل تطبيق (مثل متصفح الويب، أو محرر الصور، أو جداول البيانات)، يبني OpenComputer نصًا برمجيًا مخصصًا يمكنه "التحدث" مباشرة إلى عقل التطبيق. إنه يطرح أسئلة مثل: "هل تم حفظ الملف بالفعل؟" "هل نقر المستخدم حقًا على ذلك الزر؟" "هل النص في الخلية الصحيحة؟"

3. عملية البناء المكونة من أربع خطوات

تصف الورقة خط إنتاج مكونًا من أربع خطوات لبناء سيناريوهات اختبار مثالية:

الخطوة 1: بناء المفتشين. يقومون بإنشاء "مفتاح" لكل تطبيق يسمح للنظام بالتلصص على الحالة الخفية للبرنامج (الملفات، الإعدادات، السجل) بدلاً من مجرد التخمين من الشاشة.
الخطوة 2: حلقة التحسين الذاتي. يقومون باختبار هؤلاء المفتشين باستخدام ذكاء اصطناعي "قوي". إذا قال المفتش "عمل جيد" بينما أخطأ الذكاء الاصطناعي فعليًا، فإن النظام يكتشف الخطأ. ثم يقوم بإصلاح كود المفتش، مما يجعله أكثر ذكاءً في المرة القادية. إنه يشبه مدربًا يراقب لاعبًا أثناء التدريب ثم يعدل معدات التدريب لتكون أكثر دقة.
الخطوة 3: إنشاء المهام. بمجرد أن يصبح المفتشون موثوقين، يقوم النظام بتوليد 1,000 مهمة واقعية (مثل "نظم هذه الملفات الخمسين" أو "عدل هذه الصورة"). ولأن المفتشين جاهزون، فإن كل مهمة لها معايير واضحة للنجاح أو الفشل يمكن للآلة التحقق منها.
الخطوة 4: الامتحان النهائي. يقومون بتشغيل وكلاء الذكاء الاصطناعي في غرفة رقمية نظيفة وجديدة. يحاول الوكلاء حل المهام، ويقوم المفتشون بتقييمهم فورًا بناءً على البيانات الفعلية، وليس فقط الصور.

4. ما الذي وجدوه؟

عندما اختبروا أفضل نماذج الذكاء الاصطناعي (مثل GPT-5.4 و Claude) في صالة التدريب الجديدة هذه، وجدوا بعض الأشياء المفاجئة:

مشكلة "الاقتراب من النجاح": حتى أذكى نماذج الذكاء الاصطناعي تواجه صعوبة في إتمام المهمة كاملة وبشكل مثالي. غالبًا ما يصلون إلى 80% من الطريق لكنهم يفشلون في التفاصيل الصغيرة النهائية (مثل حفظ الملف في المجلد الخاطئ).
"النجاح المزيف": الطريقة القديمة في التقييم (باستخدام ذكاء اصطناعي ينظر إلى لقطات الشاشة) كانت متساهلة للغاية. فقد أعطت درجات عالية لوكلاء بدا عليهم النجاح لكنهم فشلوا فعليًا في فحوصات البيانات. "المدقق المبرمج مسبقًا" الجديد كان أكثر صرامة وتوافقًا مع ما سيقوله البشر.
فجوة المصادر المفتوحة: بعض النماذج مفتوحة المصدر التي بدت رائعة في اختبارات أخرى، أظهرت أداءً ضعيفًا جدًا هنا. هذا يشير إلى أنها كانت جيدة في "تخمين" الإجابة الصحيحة للاختبارات البسيطة، لكنها لم تستطع التعامل مع تعقيد البرامج الحاسوبية الحقيقية والفوضوية.

5. الخلاصة الكبرى

ليس OpenComputer مجرد قائمة مهام؛ بل هو معيار جديد للحقيقة.

فكر في الأمر كالانتقال من "نظام الأمانة" (حيث يقول الذكاء الاصطناعي: "لقد فعلت ذلك!") إلى "امتحان مراقب" حيث يراجع المراقب الآلي كل إجابة مقابل نموذج الإجابة. تخلص الورقة إلى أنه بينما يتحسن الذكاء الاصطناعي في النظر إلى الشاشات، إلا أنه لا يزال بعيدًا عن القدرة على أداء أعمال حاسوبية معقدة وحقيقية بشكل موثوق دون ارتكاب أخطاء طفيفة ولكنها حاسمة.

باختصار: بنى OpenComputer ملعبًا رقميًا حيث تُفحص القواعد بواسطة الكود، وليس بالتخمين، مما كشف أن وكلاء الذكاء الاصطناعي اليوم لا يزالون يتعلمون كيف يكونون عمالًا رقميين موثوقين حقًا.

ملخص تقني: OpenComputer

بيان المشكلة

يتعرض توسيع نطاق وكلاء استخدام الكمبيوتر (computer-use agents) حاليًا لعقبة تتمثل في تحديين حرجين: التكلفة العالية لبناء بيئات سطح مكتب واقعية وقابلة لإعادة الإنتاج، وصعوبة التحقق من نجاح المهام في حالات البرمجيات المعقدة. يتطلب إنشاء المهام التقليدي تصميمًا يدويًا لأهداف المستخدم وتهيئة البيئة (مثل ملء الملفات أو تكوين الإعدادات)، وهو أمر مرهق وغير موحد المعايير. علاوة على ذلك، يعتمد التقييم غالبًا على منهجية "النموذج اللغوي الكبير كحكم" (LLM-as-judge) أو الفحص البصري لقطات الشاشة، مما يفشل في اكتشاف الأخطاء الدقيقة في حالات التطبيقات الأساسية، أو بيانات وصف الملفات (metadata)، أو الآثار الجانبية المستمرة التي لا تظهر بصريًا. إن المراجع (benchmarks) الحالية تعتمد إلى حد كبير على التنسيق البشري، وهي محدودة النطاق، وغالبًا ما تفتقر إلى إشارات مكافأة موثوقة يمكن فحصها آليًا.

المنهجية: إطار عمل OpenComputer

OpenCodeComputer هو إطار عمل قائم على التحقق (verifier-grounded)، صُمم لتخليق عوالم برمجية قابلة للتحقق لوكلاء استخدام الكمبيوتر. يتعامل الإطار مع عملية التحقق ليس كخطوة تقييم لاحقة، بل كمبدأ تنظيمي لبناء البيئة والمهمة. يتكون إطار العمل من أربعة مكونات مترابطة بقوة:

1. مُحقِّقات حالة التطبيق (App-Specific State Verifiers)

يبني OpenComputer مكدس تحقق حيث يتم إقران كل تطبيق مدعوم بوحدة تحقق برمجية (Python) اصطناعية تعمل داخل بيئة معزولة (sandbox).

قنوات الفحص: تستخدم المُحقِّقات أكثر قنوات الفحص الموثوقة المتاحة لكل تطبيق، مثل بروتوكولات تصحيح المتصفح (CDP)، أو D-Bus، أو قواعد بيانات الملفات الشخصية المدعومة بـ SQLite، أو واجهات برمجة تطبيقات الوصول (AT-SPI)، والفحص المباشر للملفات (على سبيل المثال، لبرامج Inkscape أو VS Code أو Blender).
بناء النهايات الطرفية (Endpoints): يقوم النظام بإنشاء أوامر فرعية لواجهة السطر البرمجي (CLI) مع مخرجات بتنسيق JSON تكشف عن أسطح الحالة المهيكلة (المحتوى، التفضيلات، السجل، والبيانات الوصفية).
بروتوكول الاختبار: تخضع المُحقِّقات لدورة صارمة من (التصحيح-الإصلاح-إعادة المحاولة) مع اختبارات الوحدة والتكامل لضمان قدرتها على فحص حالة البرنامج الفعلية بدلاً من الاعتماد على المطابقة الاستدلالية.

2. طبقة التحقق ذاتية التطور (Self-Evolving Verification Layer)

لمعالجة الأخطاء المتبقية في المُحقِّقات (مثل الافتراضات الهشة للمخططات أو التغطية غير المكتملة)، يطبق OpenComputer حلقة تطور ذاتي:

المعايرة (Calibration): يتم تنفيذ مجموعة صغيرة من المهام السهلة إلى المتوسطة بواسطة وكيل قوي داخل بيئة معزولة.
تشخيص عدم الاتفاق (Disagreement Diagnosis): يقوم مُقيّم يعتمد على نموذج لغوي كبير ومُحقِّق برمجي بإنتاج أحكام مستقلة على الحالة النهائية. يتم تحديد حالات عدم الاتفاق التي تُعزى إلى أخطاء في المُحقِّق (بدلاً من فشل الوكيل).
التحسين (Refinement): يتم تحسين كود المُحقِّق، أو النهايات الطرفية، أو التوثيق بناءً على هذه التغذية الراجعة. تتكرر هذه العملية حتى يتوافق المُحقِّق مع الحكم المرجعي أو استنفاد الميزانية المرصودة.

3. مسار توليد المهام (Task Generation Pipeline)

يتم تخليق المهام من خلال عملية مدركة للمُحقِّق:

الاقتراح (Proposal): يقترح النظام أهداف مستخدم واقعية دون اشتراط وجود مُحقِّقات حالية لضمان التنوع.
التصفية (Filtering): يتم تصفية الاقتراحات بناءً على التعقيد وقابلية توليد البيانات، مع إعطاء الأولوية لسير العمل متعدد الخطوات.
التأسيس (Grounding): يتم تأصيل المهام في مكدس التحقق. إذا كانت الحالة قابلة للفحص ولكنها تفتقر إلى نهاية طرفية، يتم إنشاء نهاية طرفية جديدة.
التخليق (Synthesis): يقوم النظام بتجسيد المهمة عبر توليد الملفات والإعدادات والملفات التعريفية المطلوبة، مُنتجًا نموذج مهمة $\tau = (x, e, c)$ حيث $x$ هي التعليمات، و $e$ هي تهيئة البيئة، و $c$ هي معايير النجاح القابلة للفحص آليًا.

4. حزمة التقييم (Evaluation Harness)

تقوم الحزمة بتشغيل الوكلاء في بيئات سطح مكتب معزولة وجديدة، مع تسجيل مسارات كاملة من لقطات الشاشة والإجراءات. يتم حساب النجاح عبر تنفيذ أوامر فحص المهمة ضد حالة البرنامج النهائية. المكافأة هي نسبة الاختبارات الناجحة ( $R = N_{pass}/N_{total}$ )، مما يسمح بالحصول على درجات جزئية مع الحفاظ على شروط نجاح دقيقة وقابلة للفحص آليًا.

المساهمات الرئيسية

إطار عمل OpenComputer: نظام قائم على التحقق لتوليد عوالم برمجية واقعية، وأوصاف مهام، ومُحقِّقات تلقائيًا دون بناء يدوي.
التحقق من الموثوقية: أدلة تجريبية تظهر أن المُحقِّقات المبرمجة (hard-coded) تتوافق بشكل وثيق مع الأحكام البشرية مقارنة بتقييم "النموذج اللغوي كحكم"، خاصة فيما يتعلق بحالات التطبيقات الدقيقة.
مرجع واسع النطاق: إصدار يتضمن 33 تطبيقًا لسطح المكتب و1,000 مهمة نهائية تشمل المتصفحات، الأدوات المكتبية، البرامج الإبداعية، بيئات التطوير، وتطبيقات التواصل.

النتائج التجريبية

قام المؤلفون بتقييم الوكلاء من الطراز الحديث والمفتوح المصدر على مرجع OpenComputer:

أداء الطرازات الرائدة: حقق GPT-5.4 أعلى أداء بنسبة نجاح كامل للمهام بلغت 68.3% ومتوسط مكافأة 88.4%. تلاه Claude-Sonnet-4.6 (64.4%) و Kimi-K2.6 (58.8%). رغم التقدم الجزئي العالي، لا يزال الإكمال النهائي الموثوق أمرًا صعبًا.
فجوة المصادر المفتوحة: أظهرت النماذج مفتوحة المصدر انخفاضًا كبيرًا في الأداء مقارنة بدرجاتها المسجلة في المراجع الحالية مثل OSWorld. على سبيل المثال، انخفضت درجة GUI-OWL-1.5-8B من 52.3% في OSWorld إلى 5.7% في OpenComputer.
الكفاءة: كان GPT-5.4 الأكثر كفاءة، بمتوسط 19.0 خطوة لكل مهمة، ويرجع ذلك جزئيًا إلى قدرته على دمج العمليات وتجنب مسارات الاستنتاج الطويلة في المخرجات.
توافق التحقق: في مقارنة شملت 120 مهمة، تطابقت المُحقِّقات المبرمجة مع الأحكام البشرية بنسبة 94.1%، مقارنة بـ 79.2% للمُقيّم المعتمد على النموذج اللغوي الكبير. تفوق المُحقِّق بشكل خاص في اكتشاف الأخطاء في سجلات الطرفية (terminal logs)، واللوحات المنهارة، والبيانات الوصفية الدقيقة للملفات التي تغفلها لقطات الشاشة.
تأثير التطور الذاتي: نجحت طبقة التحقق ذاتية التطور في إصلاح 89.4% من أخطاء جانب الفحص في مهام المعايرة، مما حسن الاتفاق بين الإنسان والمُحقِّق من 85.2% إلى 94.1%.

الأهمية والادعاءات

يزعم البحث أن OpenComputer يوفر بنية تحتية أساسية لتوسيع نطاق أبحاث استخدام الكمبيوتر من خلال ربط عوالم البرمجيات الواقعية بالتغذية الراجعة القابلة للفحص آليًا. ويجادل المؤلفون بأن:

التحقق أمر حاسم: يجب اقتران التخليق القابل للتوسع للوكلاء بالتحقق الموثوق بدلاً من التقييمات الوسيطة الضعيفة مثل النماذج اللغوية الكبيرة أو لقطات الشاشة.
القيود الحالية: حتى الوكلاء الرائدون يواجهون صعوبات في الإكمال النهائي في سير عمل سطح المكتب الواقعي، مما يكشف عن فجوة في الأتمتة القوية للحاسوب.
الفائدة المستقبلية: يدعم إطار العمل ليس فقط التقييم، بل أيضًا مسارات التدريب (مثل SFT و RL) من خلال توفير مكافآت قابلة للتدقيق ومؤصلة. كما يعمل كنقطة انطلاق محكومة لدراسة موثوقية الوكلاء وأنماط الفشل في بيئات البرمجيات المعقدة.

يقر المؤلفون بوجود قيود تتعلق بالمهام التي تتطلب أحكامًا بصرية أو هندسية (مثل التخطيط المكاني في Draw.io) والتي لا يمكن اختزالها بالكامل في عمليات برمجية؛ وقد تم استبعاد هذه المهام من المرجع الرئيسي للحفاظ على قابلية إعادة الإنتاج، ولكنها متاحة لأبحاث التحقق الهجين المستقبلية.