← أحدث الأبحاث
🤖 AI

Looped Language Models Improve Compositional Tool Calling

تُثبت هذه الورقة أن النماذج اللغوية الحلقية، لا سيما عند توظيف الاستدلال التكيفي لتخصيص الحوسبة ديناميكيًا، تعزز الأداء بشكل كبير في سيناريوهات استدعاء الأدوات التركيبية من خلال التنسيق الفعال لعدة استدعاءات لواجهة برمجة التطبيقات، والحفاظ على الحالة، وإدارة التبعيات.

المؤلفون الأصليون: Andrei Cristian Popescu, Haitz Sáez de Ocáriz Borde, Pietro Liò

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Andrei Cristian Popescu, Haitz Sáez de Ocáriz Borde, Pietro Liò

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

في ظل المشهد المتطور بسرعة للذكاء الاصطناعي، يحدث تحول كبير من النماذج التي تكتفي بمجرد الإجابة على الأسئلة إلى أنظمة تتخذ إجراءات فعلية. هذه الأنظمة الجديدة، التي تُسمى غالباً "الوكلاء" (agents)، مصممة لاستخدام أدوات خارجية — مثل البرامج أو قواعد البيانات — لحل المشكلات المعقدة. تخيل مساعداً رقمياً لا يخبرك بحالة الطقس فحسب، بل يحجز رحلة طيران بالفعل، ويتحقق من تقويمك، ويرسل بريداً إلكترونياً لتأكيد الرحلة. ولكي تعمل هذه الوكلاء، يجب أن تكون قادرة على ربط خطوات متعددة معاً، وتذكر نتيجة إجراء واحد لتوجيه الإجراء التالي. وهذا يتطلب شكلاً من أشكال التفكير المنظم حيث يخطط النظام لتسلسل معين، وينفذه، ويتكيف إذا ساءت الأمور. وقد كان التحدي الذي واجه الباحثين هو كيفية جعل هذه النماذج اللغوية الكبيرة موثوقة بما يكفي للتعامل مع مثل هذه سير العمل متعدد الخطوات دون أن تفقد المسار أو ترتكب أخطاء في منتصف العملية.

لقد بحث فريق من الباحثين في جامعة كامبريدج في نهج معماري محدد لحل هذه المشكلة، مع التركيز على تصميم يُعرف باسم النموذج اللغوي "الحلقي" (looped language model). وخلافاً للنماذج القياسية التي تعالج المعلومات في مسار واحد مستقيم من المدخلات إلى المخرجات، تسمح هذه النماذج الحلقية للنظام بمراجعة وتنقيح أفكاره الداخلية عدة مرات قبل الالتزام بإجابة ما. فكر في الأمر كشخص يحل لغزاً صعباً يتوقف لمراجعة عمله بعد كل بضع خطوات، بدلاً من الاندفاع نحو خط النهاية في جولة واحدة. أراد الباحثون معرفة ما إذا كان هذا الوقت الإضافي المستغرق في التفكير — أي التنقيح التكراري — سيساعد النماذج على التحسن في تنسيق استخدام الأدوات المعقدة، مثل استدعاء واجهات برمجة تطبيقات (APIs) متعددة بالترتيب الصحيح أو إدارة التبعيات حيث يصبح مخرج أداة ما مدخلاً لأداة أخرى.

ولاختبار ذلك، أجرى الفريق سلسلة من التجارب المنضبطة باستخدام ثلاثة معايير مختلفة مصممة لقياس قدرات استدعاء الأدوات. تراوحت هذه الاختبارات من المهام البسيطة، مثل اختيار دالة واحدة للإجابة على سؤال، إلى سيناريوهات شديدة التعقيد تتطلب من النموذج توليد استدعاءات مستقلة متعددة أو إدارة تسلسلات متداخلة حيث يكون مخرج استدعاء واحد مطلوباً بشدة للاستدعاء التالي. وقارنوا بين النماذج القياسية وبين كل من النماذج الحلقية "الأصلية"، التي بُنيت بهذه القدرة التكرارية منذ البداية، والنماذج "المعدلة" (retrofitted)، حيث تمت إضافة السلوك الحلقي إلى النماذج القياسية الموجودة. وقد درب الباحثون هذه النماذج على نفس مجموعات البيانات ومع نفس إعدادات التحسين لضمان مقارنة عادلة، مما يعزل تأثير آلية التكرار (looping) نفسها.

تشير النتائج إلى أن منح النموذج مزيداً من الوقت للتفكير في قراراته يحسن بشكل كبير من قدرته على التعامل مع المهام المعقدة متعددة الخطوات. وفي المعايير التي تتطلب من النموذج تنسيق استدعاءات أدوات متعددة أو إدارة التبعيات بينها، تفوقت النماذج الحلقية باستمرار على نظيراتها غير الحلقية. وكان التحسن أكثر وضوحاً في المهام التي توجب على النموذج الحفاظ على خطة منظمة عبر عدة قرارات، مثل الحالات التي يكون فيها مخرج استدعاء الأداة الأولى مطلوباً كمعامل (argument) للاستدعاء الثاني. وفي هذه السيناريوهات، سمحت القدرة على تنقيح تمثيله الداخلي للمهمة للنموذج بتصحيح الأخطاء في اختيار الدوال، وتحديد المعاملات، وترتيب الاستدعاءات. فعلى سبيل المثال، في حالة واحدة لوحظت، فشل النموذج في البداية في التعرف على تبعية مطلوبة، ولكن بعد بضع جولات من التنقيح الداخلي، نجح في تحديد الحلقة المفقودة وتوليد التسلسل الصحيح من الإجراءات.

ومع ذلك، لم تكن الفوائد موحدة عبر جميع أنواع المهام. فعندما تتضمن المهمة استدعاء أداة واحدة معزولة، كانت ميزة النهج الحلقي أصغر بكثير وتفاوتت اعتماداً على النموذج المحدد. وهذا يشير إلى أن الجهد الحسابي الإضافي يكون أكثر قيمة عندما تتطلب المشكلة التخطيط والتنسيق بدلاً من مجرد الاسترجاع البسيط. كما استكشف الباحثون ما إذا كان يمكن استخدام وقت التفكير الإضافي هذا بشكل أكثر كفاءة؛ فقد وجدوا أنه من خلال السماح للنموذج بتقرير عدد المرات التي يحتاج فيها إلى التكرار ديناميكياً قبل التوقف، يمكنهم تحقيق أداء عالٍ يقارب الأداء الناتج عن استخدام عدد ثابت وعميق من الدورات، ولكن بتكلفة حسابية أقل بكثير. ويعني هذا النهج التكيفي أن النموذج يمكنه قضاء وقت أطل في المشكلات الصعبة والمعقدة، بينما يتحرك بسرعة عبر المهام الأبسط.

تخلص الدراسة إلى أن النماذج اللغوية الحلقية تمثل أساساً واعداً لبناء أنظمة وكيلة أكثر موثوقية. وتشير النتائج إلى أن القدرة على التنقيح التكراري للتمثيلات الكامنة تساعد النماذج على الحفاظ على هيكل سير العمل المعقد، مما يجعلها أفضل في التخطيط والتنسيق وتنفيذ استخدام الأدوات التركيبي. وبينما أظهرت النماذج المعدلة تحسناً، فإن النماذج الحلقية الأصلية كانت تؤدي بشكل أفضل عموماً في المهام المتداخلة بعمق، مما يشير إلى أن الطريقة التي يتم بها تدريب النموذج مسبقاً تشكل مدى قدرته على الاستفادة من هذا النوع من التنقيح التكراري. وفي نهاية المطاف، يشير البحث إلى مستقبل يمكن فيه لوكلاء الذكاء الاصطناعي تخصيص مواردهم الحسابية ديناميكياً، بحيث يفكرون بعمق أكبر فقط عندما تتطلب تعقيدات المهمة ذلك، مما يحقق توازناً أكثر كفاءة بين السرعة والدقة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →