Small Reasoning Models are Instruction Followers in Function Calling
تقدم هذه الورقة البحثية إطار عمل "استدعاء الوظائف المتبع للتعليمات" (IFFC)، الذي يفوض منطق استدعاء الوظائف إلى نموذج أصغر يتبع التعليمات لتحقيق دقة ومتانة فائقتين في ظل التكميم مقارنة بالنهج الأصلية أو القائمة على التلقين، لا سيما بالنسبة للنماذج اللغوية الكبيرة الموجهة نحو الاستدلال.
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 عالم الذكاء الاصطناعي سريع التطور، يحدث تحول من الحواسيب التي تكتفي بمجرد توليد النصوص إلى أنظمة قادرة على اتخاذ الإجراءات. هذه الأنظمة الجديدة، التي تُسمى غالباً النماذج "الوكيلية" (agentic)، مصممة لحل المشكلات من خلال التواصل مع العالم الخارجي. وهي تفعل ذلك عبر اختيار أدوات، مثل تطبيقات الطقس أو الآلات الحاسبة، واستخدامها لجمع المعلومات قبل الإجابة على سؤال ما. ولفترة طويلة، كانت نماذج الحاسوب الأكثر قوة وتكلفة هي الوحيدة الموثوق بها لأداء هذه المهام؛ حيث بُنيت بلغة داخلية محددة وصارمة للتحدث مع هذه الأدوات، وهي طريقة تُعرف باسم "استدعاء الدوال الأصلي" (native function calling). ومع ذلك، ومع نضوج التكنولوجيا، بدأ الباحثون في النظر إلى نماذج حاسوبية أصغر بكثير وأكثر كفاءة. هذه النماذج المدمجة أسهل في التشغيل على الأجهزة اليومية مثل الهواتف الذكية أو الحواسيب المحمولة، مما يوفر خصوصية أفضل وتكاليف أقل، لكنها واجهت تاريخياً صعوبات في التعامل مع القواعد الصارمة والمعقدة المطلوبة لاستخدام الأدوات الخارجية بشكل صحيح.
لقد تحدى فريق من الباحثين من جامعات في إيران الافتراض القائل بأن هذه النماذج الصغيرة يجب أن تتبع نفس القواعد الصارمة التي تتبعها النماذج الضخمة للنجاح. ففي عملهم الأخير، اكتشفوا أن النماذج الصغيرة تؤدي في الواقع بشكل أفضل بكثير عندما يُطلب منها استخدام الأدوات من خلال محادثة بسيطة، بدلاً من استخدام هيكل أوامر تقني متخصص. ووجدوا أنه عندما يتم التعامل مع النموذج الصغير كمساعد مفيد يتبع مجموعة واضحة من التعليمات بلغة بسيطة، فإنه يرتكب أخطاءً أقل بكثير مما لو أُجبر على التحدث بلغة برمجية محددة. وقد أدت هذه الرؤية إلى ابتكارهم لنظام جديد يقسم العمل بين نموذجين مختلفين؛ حيث يعمل نموذج صغير وسريع كصانع قرار، يستمع للمستخدم ويحدد ما إذا كانت هناك حاجة لاستخدام أداة ما. وإذا كانت هناك حاجة لأداة، يتولى هذا النموذج الصغير معالجة الطلب باستخدام تعليمات باللغة الطبيعية. ثم يأخذ النموذج الرئيسي، وهو الأكبر، تلك المعلومات ويصيغ الإجابة النهائية للمستخدم.
اختبر الباحثون هذا النهج باستخدام مجموعة متنوعة من النماذج الصغيرة، بعضها يحتوي على مليار معلمة فقط (وهو مقياس لحجم النموذج وتعقيده). وقارنوا طريقتهم الجديدة بالطرق القياسية التي تُدرّس بها هذه النماذج عادةً لاستخدام الأدوات. وكانت النتائج مذهلة؛ فقد سمح النظام الجديد، الذي أطلقوا عليه اسم "استدعاء الدوال المتبع للتعليمات" (Instruction-Followed Function Calling)، للنماذج المدمجة الأكبر حجماً، مثل نموذج Qwen-3 بـ 4 مليارات معلمة، بالتفوق على النماذج المملوكة الضخمة مثل GPT-5.2 وClaude 4.5 Sonnet، والتي تُعتبر عادةً المعيار الذهبي. فعلى سبيل المثال، حقق نموذج Qwen-3 4B باستخدام طريقتهم الجديدة دقة بلغت 94.1% في مجموعة فرعية غير مباشرة (Non-Live) من اختبار صعب لاستخدام الأدوات، متجاوزاً بشكل كبير أداء نفس النموذج باستخدام الطرق التقليدية. وبينما ظلت أصغر النماذج المختبرة (0.6B) تتأخر عن العمالقة الضخمين المملوكين في فئات معينة، إلا أن الإطار العملي أثبت أن النماذج الصغيرة المتخصصة والقادرة على الاستنتاج يمكنها مضاهاة أو حتى تجاوز أداء الأنظمة الضخمة عند إزالة العبء الهيكلي لتعريفات الأدوات الصارمة.
كان جزء رئيسي من اكتشافهم هو فهم كيفية تفكير هذه النماذج. فقد وجد الباحثون أن النماذج المصممة لـ "التفكير" في المشكلة قبل الإجابة كانت أكثر موثوقية من تلك التي تولد استجابة فورية. وعندما أُعطيت نماذج الاستنتاج هذه مهمة تحديد الأداة التي يجب استخدامها، تمكنت من تصحيح أخطائها واتباع تعليمات معقدة بدقة عالية. وكان هذا صحيحاً بشكل خاص عندما تم ضغط النماذج لتعمل على أجهزة أصغر. وعادةً ما يؤدي جعل النموذج أصغر أو تشغيله على أجهزة أقل قوة إلى انخفاض حاد في أدائه، ومع ذلك، وجد الباحثون أن طريقتهم الجديدة كانت قوية للغاية؛ فحتى عندما تم تقليص حجم النماذج لاستخدام ذاكرة قليلة جداً، حافظت النماذج التي استخدمت طريقة تعليمات اللغة الطبيعية على دقتها العالية. وهذا يشير إلى أن القدرة على الاستنتاج واتباع المحادثة تشكل أساساً أكثر استقراراً لاستخدام الأدوات من حفظ تنسيق تقني صارم.
كما سلطت الدراسة الضوء على خلل في الطريقة التي تُبنى بها العديد من الأنظمة حالياً؛ فغالباً ما يُطلب من نموذج واحد ضخم القيام بكل شيء: فهم المستخدم، وتحديد الأداة التي يجب استخدامها، وكتابة الإجابة النهائية. وقد أظهر الباحثون أن هذا النهج غالباً ما يربك النموذج، حيث تختلط التفاصيل المعقدة للأدوات بالمحادثة. ومن خلال فصل المهام، يحافظ نظامهم الجديد على نظافة المحادثة؛ إذ يتولى النموذج الصغير العمل الشاق المتمثل في معرفة الأداة التي يجب استخدامها، بينما يركز النموذج الرئيسي حصرياً على التحدث إلى المستخدم. هذا الفصل يمنع النظام من الارتباك بسبب كثرة المعلومات. وقد أثبت الباحثون أن هذه الطريقة تعمل بشكل جيد حتى في السيناريوهات الواقعية حيث تكون السرعة والخصوصية أمراً بالغ الأهمية، مثل لوحة قيادة السيارة أو المساعد المنزلي، حيث لا يكون إرسال البيانات إلى خادم بعيد خياراً متاحاً.
في الختام، يشير هذا العمل إلى مسار جديد لمستقبل الذكاء الاصطناعي على الأجهزة اليومية. فهو يوضح أننا لسنا بحاجة للاعتماد على حواسيب ضخمة تستهلك الكثير من الطاقة لأداء مهام معقدة. بدلاً من ذلك، من خلال تغيير كيفية طلبنا من النماذج الأصغر أن تعمل — أي معاملتها كمساعدات ذكية تتبع التعليمات بدلاً من آلات تنفذ أكواداً برمجية — يمكننا تحقيق نتائج تتسم بالدقة العالية والكفاءة في آن واحد. وتشير النتائج إلى أن مستقبل الذكاء الاصطناعي الشخصي والخاص والاستجابي قد لا يكمن في بناء نماذج أكبر، بل في طرق أذكى لاستخدام النماذج الأصغر التي نمتلكها بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.