PEARL: نموذج بحجم 4B يتفوق على DeepSeek-V3.2 بحجم 685B في نمذجة الأمثلة

قدّم باحثون نظام PEARL الذي يحوّل مسألة أمثلة موصوفة بكلمات عادية إلى نموذج رياضي وشيفرة عاملة لمحلّل (solver)، مع التحقق من الحل وتصحيحه ضمن حلقة متكررة. وقد تفوقت نسخته المدمجة PEARL-Qwen3-4B ذات 4 مليارات معامل على نموذج DeepSeek-V3.2 ذي 685 مليار معامل من حيث الدقة في مهام نمذجة الأمثلة. ونُشر البحث على arXiv في يوليو 2026.

ما هو PEARL وكيف يعمل

PEARL نظام تفاعلي لنمذجة الأمثلة، يشغّل Python والمحلّلات الرياضية (solvers) داخل حلقة الحل نفسها، ولا يكتفي بإخراج الصياغة دفعة واحدة. فمعظم المقاربات السابقة المبنية على نماذج اللغة الكبيرة كانت تعمل بأسلوب one-shot: يبني النموذج الصياغة مرة واحدة، ولا يتحقق منها بتشغيلها، ولا يطّلع على استجابة المحلّل، ولا يصحّح الأخطاء بصورة تكرارية.

يحاكي PEARL الطريقة التي تُحَل بها مسائل الأمثلة في الواقع، أي عبر دورات متكررة من «حلّ — تنقيح — إعادة كتابة». ويتعلم النظام بنفسه متى يختبر نموذجًا جزئيًا، وكيف يعيد كتابته استنادًا إلى تشخيص المحلّل، ومتى يحين وقت التوقف.

• يعمل في وضع multi-turn مع تكامل الأدوات، إذ تُستدعى Python والمحلّلات أثناء سير الحل
• يستخدم النتائج الوسيطة للتشغيل، وإشارات إمكانية تحقق الحل (feasibility)، وفحوصات الصحة قبل اعتماد الصيغة النهائية
• يتعلم ثلاثة أمور: متى يختبر، وكيف يراجع بناءً على التشخيص، ومتى يتوقف
• تفوقت PEARL-Qwen3-4B (4 مليارات معامل) على DeepSeek-V3.2 (685 مليار) في الدقة بالمتوسط الكلي (macro) والمتوسط الجزئي (micro)
• ترفع بوضوح نسبة المسائل المحلولة والمتحقَّق منها مقارنةً بخطوط الأساس (baselines) من نوع one-shot والمعزَّزة بالأدوات

لماذا تفوّق نموذج 4B على العملاق 685B

تفوقت PEARL-Qwen3-4B على DeepSeek-V3.2-685B لأنها لا تتعلم صياغة المسألة فحسب، بل تتعلم تنقيحها استنادًا إلى إشارات المحلّل، وهذا أهم من الحجم الخام للنموذج. فالفارق في عدد المعاملات بينهما يبلغ نحو 171 ضعفًا، لكن ما يحسم الأمر في مهام نمذجة الأمثلة ليس حجم الأوزان، بل القدرة على تشغيل الحل ورؤية الخطأ وإعادة كتابة الشيفرة.

المقياس الرئيسي في البحث هو verified solve rate، أي نسبة المسائل التي اجتاز حلّها النهائي فحص المحلّل فعليًا، لا التي بدا حلّها معقولًا فحسب. وبحسب هذا المؤشر، تتفوق PEARL على نماذج one-shot التقليدية، وعلى المقاربات التي تتيح الوصول إلى الأدوات دون استراتيجية تصحيح قابلة للتعلّم.

«يتفوق نموذجنا PEARL-Qwen3-4B على

DeepSeek-V3.2-685B الأكبر منه بكثير، سواء بالدقة بالمتوسط الكلي (macro) أو بالمتوسط الجزئي (micro) في مهام نمذجة الأمثلة»، كما جاء في ملخص البحث على arXiv.

ماذا يعني ذلك

تمثّل نتيجة PEARL حجة إضافية على أن حلقة «فعل — تغذية راجعة — تصحيح» القابلة للتعلّم تتفوق على التوسيع المجرّد للنماذج في المهام التطبيقية ذات النتيجة القابلة للتحقق. فنموذج صغير يمكنه الوصول إلى محلّل ويملك استراتيجية للتحقق الذاتي يحلّ مسائل أمثلة أكثر من نموذج يفوقه حجمًا بـ171 مرة لكنه يعمل من محاولة واحدة.

أسئلة شائعة

ما هي نمذجة الأمثلة؟

هي تحويل مسألة واقعية لاتخاذ القرار، موصوفة بلغة عادية، إلى صياغة رياضية رسمية وشيفرة قابلة للتنفيذ لمحلّل (solver). ومن أمثلتها توزيع الموارد أو اللوجستيات؛ وفي المخرجات يقدّم المحلّل الحل الأمثل.

بماذا يختلف PEARL عن مقاربات LLM المعتادة؟

تعمل المقاربات المعتادة بأسلوب one-shot: يبني النموذج الصياغة مرة واحدة، دون تشغيل ودون تصحيحات. أما PEARL فيشغّل Python والمحلّلات ضمن حلقة، ويقرأ التشخيص، ويصحّح النموذج والشيفرة، ويقرّر بنفسه متى يتوقف.

ما مدى صغر PEARL-Qwen3-4B مقارنةً بـ DeepSeek-V3.2؟

تضم PEARL-Qwen3-4B نحو 4 مليارات معامل مقابل 685 مليارًا في DeepSeek-V3.2، أي أصغر منه بنحو 171 ضعفًا، ومع ذلك فهي أدق منه في مهام نمذجة الأمثلة.