💻 computer science

IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents

يُعد IdleSpec نهج استدلال قابل للتوسع يعمل على تحسين أداء وكلاء النماذج اللغوية الكبيرة وتقليل زمن الاستجابة من خلال استغلال فترات الانتظار الخاملة لتوليد وتجميع مرشحي الخطط بشكل استباقي باستخدام استراتيجيات صياغة تكيفية تأخذ في الاعتبار عدم اليقين في الملاحظات.

المؤلفون الأصليون: Daewon Choi, Kyunghyun Park, Woomin Song, Saket Dingliwal, Sai Muralidhar Jayanthi, Jinwoo Shin, Aram Galstyan

نُشر 2026-05-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Daewon Choi, Kyunghyun Park, Woomin Song, Saket Dingliwal, Sai Muralidhar Jayanthi, Jinwoo Shin, Aram Galstyan

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 محقق يحاول حل لغز معقد. لديك فريق من المتخصصين (مثل مختبر جنائي، أو خبير قواعد بيانات، أو عميل ميداني) يحتاجون إلى إجراء اختبارات، أو البحث في السجلات، أو مقابلة الشهود.

إليك المشكلة: بينما يعمل متخصصوك، تجلس أنت دون فعل أي شيء. تنتظر المختبر حتى ينهي فحص الحمض النووي، وتنتظر قاعدة البيانات حتى تعيد نتائج البحث، وتنتظر العميل الميداني حتى يعود بتقريره. في عالم وكلاء الذكاء الاصطناعي، يُسمى وقت الانتظار هذا "وقت الخمول" (Idle time).

لفترة طويلة، اعتقد الباحثون أن وقت الانتظار هذا هو مجرد طاقة مهدورة. كانوا يقولون: "حسناً، يجب على الكمبيوتر أن ينتظر، فلنجلس بهدوء فقط".

تقدم ورقة بحثية بعنوان "IdleSpec" طريقة ذكية لاستخدام وقت الانتظار هذا. الأمر يشبه إعطاء المحقق مفكرة وقول: "بينما يعمل المختبر، لا تكتفِ بالتحديق في الجدار. اكتب ثلاث نظريات مختلفة حول ما قد تكون عليه النتال، وكيف ستحل القضية بعد ذلك".

الفكرة الجوهرية: التخطيط الاستباقي

يطلق المؤلفون على طريقتهم اسم IdleSpec. وإليك كيف تعمل بتبسيط:

1. استراتيجية "غرفة الانتظار"
عندما يرسل وكيل الذكاء الاصطناعي أداة للقيام بشيء ما (مثل البحث في الويب أو تشغيل كود برمجي)، فإنه عادةً ما ينتظر فقط. تقول IdleSpec: "لا، دعونا نستخدم هذا الوقت!". بينما تعمل الأداة، يبدأ الذكاء الاصطناعي في صياغة الخطط. إنه لا ينتظر فحسب؛ بل يفكر بنشاط فيما سيأتي.

2. نوعان من التخمينات (التقدمي مقابل التعافي)
الجزء الصعب هو أن الذكاء الاصطناعي لا يعرف ما ستجده الأداة بعد. قد تجد الأداة الإجابة المثالية، أو قد تعيد نتيجة مسدودة. للتعامل مع هذا، تستخدم IdleSpec "شخصيتين" مختلفتين لكتابة خططها:

المتفائل (التقدمي - Progressive): تفترض هذه الشخصية أن الأداة ستعمل بشكل مثالي. وهي تكتب خطة لـ "ماذا سنفعل بعد ذلك إذا تلقينا الأخبار الجيدة؟". إنها تمضي قدماً في التفكير.
الواقعي (التعافي - Recovery): تفترض هذه الشخصية أن الأداة قد تفشل أو تعطي نتيجة غريبة. وهي تكتب خطة لـ "ماذا سنفعل إذا ساءت الأمور؟". إنها تجهز مساراً احتياطياً.

من خلال كتابة كلا النوعين من الخطط أثناء الانتظار، يكون الذكاء الاصطناعي مستعداً لأي شيء يحدث بعد ذلك.

3. "مراجعة ما بعد المباراة"
بمجرد انتهاء الأداه من العمل ووصول النتائج، يتوقف الذكاء الاصطناعي عن كتابة خطط جديدة. ينظر إلى النتائج الفعلية والخطط التي كتبها سابقاً. ثم يختار أفضل الأجزاء من تلك الخطط ليقرر خطوته التالية.

4. التعلم من الخبرة
يحتفظ الذكاء الاصطناض أيضاً بسجل تقييم. إذا كانت خطة "المتفائل" تنجح عادةً، فإنه يكتب المزيد منها في المرة القادمة. وإذا كانت خطة "الواقعي" هي التي تنقذ الموقف غالباً، فإنه يكتب المزيد منها. إنه يتعلم أي نوع من التفكير هو الأفضل للموقف الحالي.

لماذا يعد هذا أمراً مهماً؟

اختبرت الورقة البحثية هذا على ثلاثة أنواع مختلفة من "العمل التحقيقي":

الألغاز العامة (GAIA): مهام تتطلب عمليات بحث عبر الويب وقراءة الملفات.
البحث متعدد الخطوات (FRAMES): مهام حيث يتعين عليك البحث، ثم العثين على دليل، ثم البحث مرة أخرى، ثم العثور على دليل آخر.
تحديات البرمجة (MLE-Bench): مهام حيث يتعين على الذكاء الاصطناعي كتابة كود وتشغيله (وهو أمر قد يستغرق وقتاً طويلاً).

النتائج:

دقة أفضل: في كل هذه الاختبارات، حقق الذكاء الاصطناعي الذي يستخدم IdleSpec إجابات صحيحة أكثر من الذكاء الاصطناي الذي اكتفى بالانتظار. على سبيل المثال، في تحديات البرمجة، حسن معدل الفوز بـ "الميداليات" (الدرجات العليا) بنسبة تقارب 10%.
لا وقت إضافي للانتظار: الجزء الأفضل هو أن هذا لم يجعل الذكاء الاصطناعي أبطأ. نظرًا لأن الذكاء الاصطناعي كان يفكر أثناء عمل الأدوات، فإن الوقت الإجمالي لإنهاء المهمة ظل كما هو. إنه يشبه الحصول على انطلاقة مبكرة دون الركض بشكل أسرع.
أفضل من "النوم": قارنت الورقة البحثية هذه الطريقة بطريقة أقدم تسمى "حوسبة وقت النوم" (Sleep-Time Compute)، والتي حاولت تخمين المستقبل لكنها غالباً ما أخطأت أو سببت ارتباكاً للذكاء الاصطناعي. طريقة IdleSpec في الاستعداد لكل من النجاح والفشل كانت أفضل بكثير.

ملخص التشبيه

فكر في طاهٍ يطبخ وجبة معقدة.

الطريقة القديمة: يضع الطاهي وعاءً على الموقد لغلي الماء، ثم يقف هناك يحدق فيه لمدة 10 دقائق دون فعل أي شيء.
طريقة IdleSpec: يضع الطاهي الوعاء على الموقد. وبينما يسخن الماء، يقوم بتقطيع الخضروات، وتجهيز التوابل، وكتابة وصفتين مختلفتين: واحدة إذا غلى الماء بسرعة، وأخرى إذا استغرق وقتاً أطول. عندما يصبح الماء جاهزاً، يكون الطاهي قد قطع نصف الطريق بالفعل في عملية الطهي.

باخت-القول: تحول IdleSpec "الوقت الميت" إلى "وقت تفكير"، مما يسمح لوكلاء الذكاء الاصطناعي بحل مشكلات أصعب وبسرعة أكبر دون الانتظار لفترة أطول فعلياً.

ملخص تقني: IdleSpec

بيان المشكلة

تقوم الوكلاء القائمة على النماذج اللغوية الكبيرة (LLM) بحل المهام المعقدة من خلال حلقات استدلال تكرارية تتضمن استدعاءات الأدوات (مثل البحث في الويب، أو تنفيذ الكود) والتفاعلات مع البيئة. وتتمثل إحدى أوجه عدم الكفاءة الحرجة في هذا النموذج في وقت الخمول (idle time): وهي فترة الانتظار التي تحدث بينما ينتظر الوكيل الملاحظات من الأدوات الخارجية. ورغم شيوع هذه الفترة، إلا أنه يتم التعامل معها عادةً كعبء إضافي لا يمكن تجنبه.

تعاني النهج الحالية لاستغلال وقت الخمول من قيود كبيرة:

التركيز على كفاءة النظام: تركز الأعمال السابقة غالبًا على التنفيذ غير المتزامن أو جدولة مستوى النظام لدمج الحسابات المستقلة، بدلاً من استخدام الوقت لعمليات استدلال إضافية.
استراتيجيات الوكيل غير المثلى: تعاملت محاولات حديثة مثل Sleep-Time Compute (حوسبة وقت النوم) مع فترات الخمول كفرص للحوسبة المسبقة، لكنها اعتمدت على افتراضات تقييدية. فهي تفترض غالبًا أن الاستعلامات المستقبلية يمكن التنبؤ بها، ولا تستخدم سوى جزء صغير فقط من وقت الخمول المتاح (على سبيل المثال، 13.7% في GAIA). علاوة على ذلك، فإنها تميل إلى استخدام نمط واحد من "التقدم للأمام"، وهو ما يفشل عندما تكون ملاحظات الأدوات غير مؤكدة بطبيعتها، مما يؤدي إلى الهلوسة أو تدهور الأداء عندما لا يتوافق السياق الذي تم حسابه مسبقًا مع الملاحظة الفعلية.
الميزانيات المتغيرة: تختلف مدة وقت الخمول بشكل كبير عبر استدعاءات الأدوات والاختبارات المختلفة، مما يجعل استراتيجيات التخصيص الثابتة غير فعالة.

التحدي الجوهو هو كيفية استغلال وقت الخمول الكبير والمتباين للغاية هذا لتحسين أداء الوكيل دون إدخال تأخير في الاستجابة (latency)، وتحديدًا في ظل ظروف عدم اليقين في الملاحظات.

المنهجية: IdleSpec

يقترح المؤلفون IdleSpec (التخطيط الاستباقي عبر استغلال وقت الخمول)، وهو إطار عمل استدلالي قابل للتوسع مصمم لاستغلال وقت الخمول عبر التخطيط الاستباقي (speculative planning). يعمل إطار العمل وفق استراتيجية تتكون من مرحلتين:

1. مسودة وقت الخمول (التوليد الاستباقي)

أثناء تنفيذ استدعاء الأداة، يقوم الوكيل بتوليد خطط مرشحة بشكل تكراري. وللتعامل مع عدم اليقين بشأن النتيجة التي لم تُلاحظ بعد، يستخدم IdleSpec استراتيجيتين متكاملتين للمسودة:

المسودة التقدمية (Progressive Drafting): تفترض أن الملاحظة القادمة ستكون ناجحة وتساهم في نجاح المهمة. يقوم الوكيل بصياغة الخطوة المنطقية التالية للحفاظ على زخم التقدم.
مسودة التعافي (Recovery Drafting): تفترض أن الإجراء الحالي قد يفشل أو يعطي نتائج غير مثمرة (مثل نتائج بحث فارغة). يقوم الوكيل بصياغة خطة بديلة لمتابعة نفس الهدف الفرعي من زاوية مختلفة.

يقوم الوكيل بأخذ عينات بين هذه الاستراتيجيات باستخدام توزيع مُتعلم. عملية المسودة تكرارية وتنتهي فور وصول الملاحظة، مما يضمن الاستغلال العالي للنافذة الزمنية المتاحة دون تجاوز مدة تنفيذ الأداة.

2. تجميع المسودات واختيار الاستراتيجية

بمجرد وصول الملاحظة:

التجميع (Aggregation): يقوم الوكيل بتجميع مجموعة الخطط المرشحة (التقدمية والتعافي) مع الملاحظة الفعلية. ومن الأهمية بمكان أن تُعامل هذه الخطط كـ نقاط مرجعية وليس كقيود صارمة. يقوم الوكيل بتركيب الخطوة التالية المنقحة، مستخدمًا المسودات لتوجيه الاستدلال مع بقائه حرًا في الانحراف عنها إذا لم تتناسب المسودات مع السياق الجديد.
التحديثات البعدية (أخذ العينات التكيفي): لتحديد أي استراتيجية (التقدمية مقابل التعافي) يجب منحها الأولوية في فترات الخمول المستقبلية، يستخدم IdleSpec آلية أخذ عينات تومبسون (Thompson sampling). بعد كل خطوة، ينتج الوكيل إشارة تنبؤ ثنائية ( $\ell \in \{PROG, REC\}$ ) لتقييم ما إذا كان المسار الحالي يسير في الاتجاه الصحيح. تقوم هذه الإشارة بتحديث توزيع "بيتا" البعدي على احتمالات الاستراتيجية، مما يؤدي إلى توجيه المسودة المستقبلية بشكل تكيفي نحو الاستراتيجية التي أثبتت فعاليتها في السياق الحالي.

المساهمات الرئيسية

التحليل المنهجي لوقت الخمول: يثبت البحث أن وقت الخمول يشكل ميزانية استدلال كبيرة عبر اختبارات متنوعة (GAIA, FRAMES, MLE-Bench) ولكنه متغير المدة بشكل كبير. كما يوضح أن التخطيط هو الاستراتيجية الأكثر فعالية لاستغلال هذا الوقت مقارنة بالتلخيص أو التأمل، حيث يمكن للتخطيط أن يبني شروطًا على ملاحظات مستقبلية محتملة بدلاً من الالتزام بتفسيرات غير مكتملة.
إطار عمل IdleSpec: تقديم طريقة استدلال مبتكرة تجمع بين التخطيط التقدمي والتعافي الاستباقي مع أخذ العينات التكيفي للاستراتيجية. يدير هذا النهج بفعالية عدم اليقين في الملاحظات ويعظم استغلال وقت الخمول.
التحقق التجريبي: تجارب شاملة عبر ثلاثة اختبارات مختلفة للوكلاء أظهرت مكاسب أداء متسقة مقارنة بالنماذج الأساسية وطرق استغلال وقت الخمول الحالية.

النتائج التجريبية

قيم المؤلفون IdleSpec على ثلاثة اختبارات باستخدام نماذج خلفية متنوعة (بما في ذلك Gemini-2.5-Flash و Gemma4-E4B و Qwen3.5-4B):

GAIA (مساعد الذكاء الاصطناً العام): حقق IdleSpec متوسط دقة بلغ 55.6% باستخدام Gemini-2.5-Flash، متفوقًا على النموذج الأساسي بنسبة 5.1%. كانت التحسينات متسقة عبر جميع مستويات الصعوبة وأحجام النماذج (على سبيل المثال، +6.8% في Qwen3.5-4B). في المقابل، أظهر Sleep-Time Compute مكاسب محدودة وأدى أحيانًا إلى تدهور الأداء، خاصة في النماذج الأصغر.
FRAMES (البحث متعدد الخطوات): تفوق IdleSpec باستمرار على النماذج الأساسية، محققًا متوسط دقة قدره 55.6% (Gemini-2.5-Flash) مقارنة بـ 50.5% للنموذج الأساسي.
MLE-Bench (هندسة تعلم الآلة): في هذه البيئة كثيفة التنفيذ ذات التأخيرات الطويلة في تنفيذ الكود، حسن IdleSpec معدل الحصول على أي ميدالية (Any Medal rate) من 36.4% إلى 45.5% (زيادة قدرها 9.1%) وزاد معدل التسليم الصحيح من 77.3% إلى 86.4%.
الكفاءة والتأخير: على عكس طرق توسيع وقت الاختبار (مثل Sequential Revision أو Planning) التي تزيد من زمن التأخير النهائي عبر تسلسل حسابات إضافية، يحقق IdleSpec تحسنًا في باريتو (Pareto improvement). فهو يضاهي دقة طرق توسيع وقت الاختبار مع الحفاظ على تأخير قريب من النموذج الأساسي لأن الحسابات الإضافية تحدث أثناء فترات الخمول الضائعة أصلاً.
دراسات الاستبعاد (Ablation Studies): تؤكد النتائج أن استخدام كل من المسودات التقدمية والتعافي أفضل من استخدام أي منهما بمفرده. علاوة على ذلك، فإن معاملة المسودات كنقاط مرجعية (التجميع) بدلاً من قيود إلزامية أمر بالغ الأهمية للأداء.

الأهمية والادعاءات

يزعم البحث أن IdleSpec يقدم حلاً قويًا وقابلًا للتعميم لاستغلال وقت الخمول في التفاعلات الوكيلية. تكمن أهميته في:

إعادة صياغة وقت الخمول: إنه ينقل منظور وقت الخمول من مجرد تأخير إلى مورد حوسبي قابل للاستخدام يمكنه تحسين أداء الوكيل بأقل قدر من التأخير في الاستجابة.
التعامل مع عدم اليقين: من خلال نمذجة عدم اليقين في الملاحظات صراحةً عبر استراتيجيات المسودة المزدوجة (التقدمية والتعافي) وأخذ العينات التكيفي، يتجنب IdleSpec حالات الفشل التي تقع فيها الطرق السابقة التي تفترض وجود مستقبلات يمكن التنبؤ بها.
القابلية للتوسع: إطار العمل متوافق مع طرق توسيع وقت الاختبار الحالية ويمكن تطبيقه عبر مختلف بنيات الوكلاء ومجموعات الأدوات دون تعديل النموذج الأساسي.

يخلص المؤلفون إلى أن IdleSpec يثبت أن الاستغلال الفعال لوقت الخمول هو اتجاه واعد لبناء وكلاء أكثر قدرة على التعامل مع النماذج اللغوية الكبيرة، خاصة للمهام المعقدة طويلة الأمد حيث تكون تأخيرات تنفيذ الأدوات كبيرة.