🤖 machine learning

Macaron-V1: Towards Open Continual Learning with Self-Improvement and Mixture-of-LoRA

تقدم هذه الورقة Macaron-V1، وهي عائلة نماذج وكيلة مفتوحة مصممة للتعلم المستمر والتحسين الذاتي في البيئات الحقيقية، وتتميز ببنية Mixture-of-LoRA التي تعمل على تجميد النموذج الأساسي مع تكوين محولات متخصصة ديناميكيًا، إلى جانب إطار عمل تعاوني بين النموذج والمعدات (Model-Harness Co-design) وتدعم البنية التحتية للتكيف والتقييم المتكرر.

المؤلفون الأصليون: Mind Lab, :, Vin Bo, Asher Cai, Jingwei Cao, Song Cao, Vic Cao, Amelia Chen, Andrew Chen, Kaijie Chen, Cleon Cheng, Steven Chiang, Kaixuan Fan, Hera Feng, Huan Feng, Arthur Fu, Jun Gao, Pyke Han, Nol

نُشر 2026-08-11

📖 7 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mind Lab, :, Vin Bo, Asher Cai, Jingwei Cao, Song Cao, Vic Cao, Amelia Chen, Andrew Chen, Kaijie Chen, Cleon Cheng, Steven Chiang, Kaixuan Fan, Hera Feng, Huan Feng, Arthur Fu, Jun Gao, Pyke Han, Nolan Ho, Ori Hong, Hailee Hou, Piers Hua, Charles Huang, Miles Jiang, Nora Jiang, Yuyi Jiang, Qiuyu Jin, Fancy Kong, Kuss Koo, Jaron Lee, Andrew Lei, Alexy Li, Dawn Li, Lucian Li, Ray Li, Ricardo Li, Smith Li, Theo Li, Allen Lin, Elliot Lin, Fan Lin, Chen Ling, Kairus Liu, Kieran Liu, Logan Liu, Neo Liu, Xiang Liu, Yuxin Lu, Maeve Luo, Pony Ma, Verity Niu, Cole Qiao, Guian Qiu, Vince Qu, Sentry, Niko Song, Vincent Wang, Bo Wu, Rio Yang, Evelyn Ye, Fiona Ye, Ina Ye, Regis Ye, Josh Ying, Atlas Zeng, Danney Zeng, Salmon Zhan, Anya Zhang, Di Zhang, Mia Zhang, Sueky Zhang, Wei Zhao, Ada Zhou, Adrian Zhou, Yuhua Zhou, Juno Zhu, Murphy Zhuang

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

الآلة المتعلمة التي لا تتوقف عن النمو

تخيل أن لديك صديقاً جديداً عبقرياً يعرف كل شيء عن العالم حتى اليوم الذي قابلته فيه. إنه ذكي، ولكن إذا سألته عن تطبيق جديد صدر بالأمس أو عادة شخصية طورتها الأسبوع الماضي، فسيقف عاجزاً. لا يمكنه التعلم من محادثاتك المحددة لأن دماغه "متجمد" في الزمن. هذا هو القيد الحالي لمعظم الذكاء الاصطناعي: يتم تدريبهم مرة واحدة، ثم يُرسلون، وبعد ذلك يكتفون بتكرار ما يعرفونه، غير قادرين على النمو حقاً من تجاربهم اليومية.

المجال في علوم الحاسوب الذي يحاول إصلاح هذا يسمى التعلم المستمر (Continual Learning). فكر في الأمر كأنك تحاول تعليم طالب لا يتوقف أبداً عن الذهاب إلى المدرسة. بدلاً من مجرد حفظ كتاب مدرسي واجتياز امتحان نهائي، يحتاج الوكيل الذكي حقاً إلى التعلم من كل تفاعل، وكل خطأ، وكل أداة جديدة يلتقطها، مع تذكر هويته وما يجيده في الوقت ذاته. السؤال الكبير الذي يطرحه الباحثون هو: كيف نبني ذكاءً اصطناعياً لا "يعرف" الأشياء فحسب، بل "يجربها" حقاً ويصبح أفضل في كونه مساعداً شخصياً بمرور الوقت؟

هنا يأتي دور Macaron-V1. إنه عائلة جديدة من نماذج الذكاء الاصطناعي المصممة لتكون "تجريبية"، مما يعني أنها تتعلم من التفاعلات الواقعية وتستمر في التحسن حتى بعد نشرها. أدرك الباحثون وراءه، Mind Lab، أنه لكي تجعل الذكاء الاصطناعي ذكياً حقاً، لا يمكنك مجرد ضخ المزيد من البيانات في دماغ عملاق. أنت بحاجة إلى نظام يمكنه تكييف بيئته والتعاون مع مساعدين متخصصين. لقد بنوا نظاماً يعامل الذكاء الاصطناعي ليس كدماغ واحد ثابت، بل كفريق مرن يمكنه استبدال الأدوات وتحسين تعليماته الخاصة في حلقة من التحسين الذاتي.

فريق Macaron-V1: دماغ متجمد ومجموعة أدوات قابلة للتبديل

تخيل مكتبة ضخمة وذكية للغاية (النموذج الأساسي) لا تغير كتبها أبداً. إنها ضخمة ومنظمة جداً لدرجة أنها تعرف كل شيء تقريباً. ولكن، المكتبة تظل مجرد مكتبة؛ فهي لا تعرف كيف تساعدك بشكل محدد. لجعلها مفيدة، يضيف Macaron-V1 طبقة من "المحولات المتخصصة" فوق هذه المكتبة. فكر في هذه المحولات مثل نظارات مختلفة أو مجموعات أدوات يمكنك تركيبها على رأس المكتبة.

هناك زوج من النظارات للدردشة (L0)، وآخر للعمل كوكيل لإنجاز المهام (L1)، وثالث للبرمجة (L2)، ورابع لتصميم واجهات المستخدم (L3). يسمى هذا الإعداد خليط من LoRA (أو Mixture-of-LoRA - MoL). بدلاً من إعادة تدريب المكتبة الضخمة بالكامل في كل مرة تريد فيها تعلم مهارة جديدة، يمكنك ببساطة استبدال زوج من النظارات أو تعديل النظارات الموجودة. تظل المكتبة الرئيسية مج let (متجمدة) وآمنة، بينما يقوم المتخصصون بالعمل الشاق. هذا يعني أن الذكاء الاصطناعي يمكن أن يمتلك شخصية "دردشة" في دقيقة، وشخصية "برمجة" في الدقيقة التالية، دون أن يرتبك أو ينسى معرفته الجوهرية.

يستخدم النظام "وسيطاً" ذكياً (مثل موظف الاستقبال) ليقرر أي متخصص يجب استدعاؤه. عندما تطرح سؤالاً، يقرأ الموظف سؤالك، ويحدد ما إذا كنت بحاجة إلى مبرمج، أو مصمم، أو مجرد رفيق للدردشة، وينتقل فوراً إلى المتخصص المناسب. يحدث هذا بسرعة كبيرة لدرجة أنك بالكاد تلاحظ عملية التبديل. تُظهر الورقة البحثية أن هذا النظام دقيق للغاية في اختيار المتخصص الصحيح — بنسبة 99% تقريباً — وهو لا يبطئ العمل كثيراً، حيث يضيف تأخراً طفيفاً جداً فقط.

حلقة التحسين الذاتي: ضبط التعليمات، وليس الدماغ

السحر الحقيقي لـ Macaron-V1 ليس مجرد امتلاك هؤلاء المتخصصين؛ بل في كيفية تحسين أداء النظام. بنى الباحثون نظاماً يسمى MindForge يعمل بحلقة "تحسين ذاتي تكراري". تخيل لعبة فيديو يلعب فيها الذكاء الاصطناعي مستوى ما، يفشل، ثم تقوم اللعبة تلقائياً بإعادة كتابة القواعد أو إعطاء الذكاء الاصطناعي دليل استراتيجية جديد لتجربته مرة أخرى.

إليك كيف يعمل الأمر:

الاكتشاف: ينظر الذكاء الاصطناعي إلى ما لا يستطيع فعله بعد، ويخلق تحديات أصعب لنفسه.
التوسع: يحاول حل هذه التحديات في بيئة محاكاة (مثل صندوق الرمل/sandbox). إذا فشل، لا يكتفي النظام بالقول "خطأ"، بل يحلل لماذا فشل. هل كانت التعليمات غير واضحة؟ هل كانت الأداة مفقودة؟
التحديث: إذا وجد الذكاء الاصطناعي طريقة للنجاح من خلال تغيير التعليمات أو الأدوات (الـ "harness")، فإنه يسجل ذلك. وإذا كان بحاجة إلى أن يصبح أفضل في المهارة الفعلية، فإنه يدرب نسخة جديدة من محوله المتخصص.

اختبرت الورقة هذا على مجموعة من 122 مهمة صعبة لم يستطع الذكاء الاصطناعي الأساسي حلها على الإطلاق. في تجربة محددة موصوفة في التقرير، ظل دماغ النموذج متجمداً تماماً — لم تتغير الأوزان الداخلية. بدلاً من ذلك، استخدم النظام البحث في التكوين (configuration search) للعثور على المزيج المثالي من التعليمات والأدوات والإعدادات. من خلال مجرد تعديل هذه التعليمات والأدوات الخارجية، تمكنوا من العثور على تكوين سمح للنظام باجتياز 100% من المهام (122 من أصل 122).

من الضروري ملاحظة ما تثبته هذه التجربة: إنها توضح أن النظام يمكنه تحقيق تغطية كاملة للبحث في التكوين في هذه المهام. وهذا يعني أن الذكاء الاصطناعي كان يمتلك بالفعل القدرة الكامنة لحل المشكلات، لكنه كان بحاجة إلى البيئة المناسبة أو "المطالبة" (prompt) المناسبة لإطلاقها. لقد عزلت التجربة مرحلة "التوسع" هذه لإظهار أن تغيير الإعداد يعمل، لكنها لم تثبت أن النموذج قد تعلم المهارة بطريقة يمكن أن تعمم بدون تلك التعليمات المحددة، كما أنها لم تختبر حلقة التحسين الذاتي الكاملة حيث يتم تحديث الأوزان الفعلية للنموذج.

"المعايير الحية": اختبار الذكاء في العالم الحقيقي

ليروا ما إذا كان Macaron-V1 جيداً حقاً في كونه مساعداً شخصياً، أنشأ الباحثون اختبارات جديدة تسمى Macaron ChatBench و Macaron LivingBench. هذه ليست مجرد اختبارات اختيار من متعدد.

ChatBench يختبر ما إذا كان بإمكان الذكاء الاصطناعي إجراء محادثة طبيعية ومتعاطفة تشعرك وكأنك تتحدث مع شخص حقيقي، وليس روبوتاً. فهو يتحقق مما إذا كان الذكاء الاصطناعي يفهم حالتك المزاجية، ويظل صادقاً، ويدفع المحادثة للأمام.
LivingBench هو محاكاة للحياة الواقعية. تخيل أن الذكاء الاصطناعي هو مساعدك الشخصي الذي يحاول التخطيط لرحلة. "العالم" يتغير من حوله: الرحلات الجوية تتأخر، الأسعار ترتفع، وأنت فجأة تغير رأيك. يختبر الاختبار ما إذا كان بإمكان الذكاء الاصطناعي تكييف خطته على الطاير، والتحقق من المعلومات، والحفاظ على هدوئك.

في هذه الاختبارات، سجل Macaron-V1-Venti (النسخة الكبيرة 744B) درجات عالية جداً، متفوقاً على عدة نماذج رفيعة المستوى في الذكاء الشخصي والبرمجة. على سبيل المثال، سجل 87.8 في UI4A-Bench (تصميم الواجهات)، بينما كان أفضل نموذج تالٍ حوالي 75.9. كما سجل 94.0 في PinchBench، وهو اختبار لاستخدام الأدوات المعقدة.

النتائج: ما نعرفه وما يظل لغزاً

النتائج واعدة، لكن الورقة حذرة من المبالغة في تقديرها. النظام يعمل بشكل رائع فيما تم اختباره:

التكيف: نجح في العثور على تكوينات لاجتياز مجموعة صعبة من المهام عبر تغيير التعليمات والأدوات فقط (البحث في التكوين)، مما يثبت أن العثور على الإعداد المناسب هو وسيلة قوية لتحسين الأداء دون إعادة تدريب الدماغ.
التعاون: نهج "خليط من LoRA" يعمل بفعالية. يمكن للذكاء الاصطنا l التبديل بين أنماط الدردشة والبرمجة والتصميم دون أن يفقد تركيزه.
الكفاءة: من خلال إبقاء الدماغ الرئيسي متجمداً وتحميل أدوات متخصصة صغيرة فقط، يوفر النظام كمية هائلة من ذاكرة الحاسوب (أقل بنسبة 74% من تشغيل أربعة نماذج ضخمة منفصلة).

ومع ذلك، تشير الورقة أيضاً إلى ما لا تعرفه بعد.

التعلم طويل الأمد: بينما يمكن للنظام التحسن في حلقة مستمرة، لا تثبت الورقة أنه يمكنه الاستمرار في القيام بذلك للأبد دون أن يسوء أداؤه في المهام القديمة (وهي مشكلة تسمى "النسيان الكارثي"). لقد قمنا بقياس إمكانية التحسين عبر البحث في التكوين، لكن الاستقرار طويل الأمد لتحديثات المعلمات المستمرة لا يزال سؤالاً مفتوحاً.
الذكاء الجماعي: يستخدم النظام متخصصين تم تدريبهم من قبل نفس الفريق. فكرة وجود متخصصين من فرق مختلفة أو مستخدمين مختلفين يعملون معاً (مثل بوت دردشة من شركة وبوت برمجة من شركة أخرى) هي هدف مستقبلي، وليس ما تم اختباره هنا.
النشر في العالم الحقيقي: أُجريت الاختبارات في عمليات محاكاة محكومة. لا نعرف بعد كيف سيتعامل مع فوضى الإنترنت الحقيقي أو ملايين المستخدمين المختلفين باحتياجات فريدة.

الخلاصة

يمثل Macaron-V1 خطوة جريئة نحو ذكاء اصطناعي لا "يعرف" الأشياء فحسب، بل "يجربها". من خلال الجمع بين دماغ مستقر ومتجمد، وأدوات متخصصة قابلة للتبديل، ونظام يعيد كتابة تعليماته باستمرار لحل المشكلات، بنى الباحثون نموذجاً أكثر قدرة على التكيف مما رأيناه من قبل. الأمر يشبه منح الذكاء الاصطناعي سكيناً سويسرياً والقدرة على اختراع أدوات جديدة أثناء العمل.

تُظهر الورقة أن هذا النهج فعال: فهو يحل المهام الصعبة، ويصمم واجهات أفضل، ويتعامل مع المحادثات المعقدة بشكل أفضل من العديد من القادة الحاليين. لكنها تذكرنا أيضاً بأن هذه مجرد البداية. إن حلم وجود ذكاء اصطناعي يتعلم من كل تفاعل بمفرده، وإلى الأبد، دون أن ينسى أبداً، لا يزال عملاً قيد التنفيذ. لقد نضجت "الماكارون"، لكن وصفة التعلم الحقيقي اللانهائي لا تزال قيد التطوير.