DeepSeek V3.2 تحقق دقة 67% في اختبار التفكير المجرد ARC-AGI

نشر باحثون على arXiv منهجًا يتيح للنموذج المفتوح DeepSeek V3.2 حل مسائل اختبار التفكير المجرد ARC-AGI-1 بدقة 67% على مقياس pass@2. ويعتمد المنهج على بنى وكيلية فقط، ويعمل في وضع بلا توكنات thinking ودون أي تدريب خاص على بيانات ARC.

• DeepSeek V3.2 نموذج مفتوح، ويعمل في وضع بلا thinking
• Explorer-Definer Pipeline: 57.50% على pass@2 بكلفة $0.25 للمسألة
• Reflective Orchestrator: 67.25% على pass@2 بكلفة $0.62 للمسألة
• تحسُّن بمقدار 52 نقطة عن النتيجة الأساسية بمحاولة واحدة (one-shot) البالغة 15.50%
• تبيّن أن جودة توليد الخيارات أهم من انتقائها

كيف يعمل الوكيل ذو المرحلتين

قسّم الباحثون المهمة إلى مرحلتين: اكتشاف الأنماط ثم تركيب البرامج. ويتألف Explorer-Definer Pipeline من وكيلين متعاقبين. في المرحلة الأولى يستخرج النموذج القواعد الكامنة في الأمثلة، وفي الثانية يحوّل هذه الأنماط إلى شيفرة تحويل قابلة للتنفيذ. ويتيح هذا الفصل تفكيك المسألة بصورة منهجية، بدلًا من محاولة حلها «من الصفر».

والنتيجة أن الـpipeline حقق دقة 57.50% على pass@2 في المجموعة العامة المكوّنة من 400 مسألة، بكلفة $0.25 للمسألة. وللمقارنة، سجّل خط الأساس بمحاولة واحدة (one-shot) 15.50%.

Reflective Orchestrator: إعادة استكشاف تكرارية

بنى المؤلفون فوق الـpipeline نظام Reflective Orchestrator، وهو نظام يعيد استكشاف المسألة بصورة مستقلة حين تفشل الفرضية على أمثلة التدريب. وعندما لا يعمل التحويل الذي عُثر عليه، يبحث Orchestrator عن خيارات جديدة بدلًا من الاكتفاء بالتبديل بين الخيارات التي وجدها سابقًا. وقد رفع ذلك الدقة إلى 67.25% على pass@2، لكن الكلفة ارتفعت إلى $0.62 للمسألة، وهي مفاضلة بين الدقة والميزانية.

وتتعلق الملاحظة الأهم بطبيعة النموذج: أظهر التحليل أن النموذج مقيَّد بالتوليد (generation-bound) لا بالانتقاء (selection-bound). فاختيار أفضل إجابة من بين المقترحات يستوعب نحو 95% من الإمكانات الكامنة، أما الباقي فلا يُنال إلا بتوسيع التوليد نفسه. وقد أكد Orchestrator ذلك: إذ تحسّنت unbiased pass@1 بمقدار 9.81 نقطة بفضل خيارات جديدة، لا بفضل إعادة ترتيب الخيارات القديمة.

لماذا يمثل هذا تحديًا للنماذج الحدّية

تجنّب المؤلفون نهجين شائعين: الاعتماد المكثف على حوسبة وقت الاختبار (heavy test-time compute) كالبحث التطوري وسلسلة التفكير فوق GPT-5/Claude، وإجراء fine-tuning خاص بالاختبار على نماذج صغيرة. وبدلًا من ذلك، أظهروا أن DeepSeek V3.2 المفتوح يبلغ 67% عبر بنية وكيلية فقط، ودون تدريب إضافي. وتُعدّ أداة think في النموذج مكوّنًا ملحوظًا: فإيقافها خفّض النتيجة بمقدار 5.75 نقطة، ما يؤكد وجود استدلال خفي حتى في الوضع بلا thinking.

ماذا يعني ذلك

تقترح الدراسة بديلًا عن منطق التوسّع في الحجم: فالتقسيم الصحيح للمهمة وإعادة الاستكشاف التكرارية يحققان مكسبًا أكبر من مجرد نموذج أكبر مع حوسبة أكبر. وهي إشارة للمطورين بأن النظام الجيد قادر على تجاوز عامل الحجم عبر هندسة البنية.

الأسئلة الشائعة

بماذا يختلف ARC-AGI-1 عن اختبارات القدرات المعتادة؟

ARC-AGI-1 مجموعة من 400 مسألة تقوم على اكتشاف أنماط مخفية. يرى النموذج من 3 إلى 5 أمثلة (مدخلات ومخرجات) وعليه أن يستنتج منطق التحويل ليطبّقه على مدخلات جديدة. وهذا أقرب إلى «التعلّم من الأمثلة في خطوات قليلة» منه إلى الأسئلة المعرفية.

لماذا هذا أرخص من fine-tuning؟

يتطلب fine-tuning إعداد مجموعة بيانات، وإجراء التدريب، والتحقق على GPU. أما هنا فلا يوجد سوى inference باستدعاءات وكيلية: ثلاث أو أربع استدعاءات للنموذج لكل مسألة. وكل شيء يجري في وقت الاستدلال (inference-time)، دون تحديث الأوزان.

متى سيظهر هذا في المنتجات الفعلية؟

لا يزال هذا بحثًا منشورًا على arXiv بتاريخ 6 يوليو 2026. ويتوقف إدخاله في المنتجات على مدى قابلية تعميم المنهج خارج ARC-AGI، وهو أمر غير واضح حتى الآن.