SLIC и Semantic Shapley Value: как оценить вклад агентов в LLM-системах, −93% расчётов
В июле 2026 года на arXiv вышел препринт про SLIC — алгоритм, оценивающий вклад каждого агента в мультиагентной LLM-системе. Метод строит семантический гиперграф и считает вклад за один проход, без дорогих контрфактических перезапусков. На медицинском бенчмарке он снизил вычислительную стоимость на 93,3%, оставаясь согласованным с базовым методом Monte Carlo Shapley.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.AI؛ بتحرير Hamidun News
في يوليو 2026، ظهرت على arXiv ورقة أولية (preprint) تصف SLIC — وهي خوارزمية تُقيّم مساهمة كل عميل (agent) في نظام LLM متعدد العملاء في مسار واحد فقط، وتخفض التكلفة الحسابية بنسبة 93.3% مقارنة بالطريقة المرجعية Monte Carlo Shapley.
لماذا يصعب حساب مساهمة العملاء
تتطلب طرق الإسناد (attribution) الكلاسيكية إعادة تشغيل النظام مرارًا — بحذف عملاء بعينهم ومقارنة كيفية تغيّر النتيجة النهائية. وفي سير عمل اللغة (workflow)، يعني كل تشغيل من هذا النوع استدعاءات جديدة للنموذج: فالحساب الدقيق للمساهمة وفق طريقة Shapley يتطلب استعراض جميع المجموعات الجزئية البالغ عددها 2^n من العملاء، ما ينتج تقديرات عالية التباين ويصبح بسرعة أمرًا يتعذّر تحمّله مع تزايد عدد العملاء.
ويشير مؤلفو الدراسة إلى مشكلة ثانية: فالطرق العكسية الافتراضية (counterfactual) لا ترى الحالات الدلالية (semantic) الوسيطة — أي كيف يُنتج العملاء ويحافظون على المعلومات ذات الصلة بالمهمة ويحوّلونها أثناء تبادل الرسائل. فلا يُقيَّم سوى مدخل النظام ومخرجه، وليس منطق نقل المعنى بين الأدوار نفسه.
كيف تعمل Semantic Shapley Value
يبني SLIC رسمًا بيانيًا فائقًا دلاليًا (semantic hypergraph) انطلاقًا من تدفق اللغة الفعلي، ويحسب Semantic Shapley Value (SSV) دون إعادة تشغيل المجموعات الجزئية من العملاء. وتستعيد الخوارزمية الدعامات الدلالية (semantic supports) الدنيا، وتطبّق الامتصاص المنطقي (Boolean absorption)، وتوزّع المساهمة وفق منطق الدعم الدلالي عبر مسار تنفيذ واحد فقط — ومن هنا جاء وصف "single-trajectory" للطريقة.
ويثبت المؤلفون أن SSV يؤول إلى قيمة Shapley الكلاسيكية في ظل الشروط المعيارية: التمثيل متعدد الخطية، والملاحظة الكاملة، وعدم الاعتماد على الترتيب. أي أن الطريقة الجديدة ليست حلًا استدلاليًا (heuristic)، بل تعميمًا صحيحًا لنظرية الألعاب التعاونية المعروفة على عمليات اللغة، حيث يهم ترتيب الخطوات والمعنى الوسيط.
*الطريقة: Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)
*الخوارزمية: SLIC — حساب في مسار واحد، دون إعادة تشغيل افتراضية عكسية
*التوفير: −93.3% من التكلفة الحسابية على معيار مرجعي طبي
*الاتساق: نتائج قريبة من Monte Carlo Shapley المرجعي
*النشر: ورقة أولية arXiv:2607.18255، يوليو 2026
ماذا أظهرت الاختبارات
على معيار مرجعي طبي يستوفي شروط النظرية، خفّض SLIC التكلفة الحسابية بنسبة 93.3%، مع بقائه متسقًا إلى حد كبير مع الطريقة المرجعية Monte Carlo Shapley. وهذه هي النتيجة الأساسية للدراسة: تقديرات مساهمة تكاد تكون مطابقة، لكن بتكلفة حسابية أرخص بنحو 15 مرة.
وفي سير عمل متعدد الأدوار أكثر عمومية، تتطابق قيمة SSV مع أنماط انخفاض التقييم عند الاضطرابات، وتكشف عن حالات يتباين فيها إسهام العميل الدلالي عن تأثيره في الفشل — أي أن العميل قد يحمل قدرًا كبيرًا من المعنى دون أن يكون نقطة فشل، والعكس صحيح.
«SLIC طريقة إسناد سريعة، لا تتطلب عمليات تشغيل افتراضية عكسية، وقابلة
للتفسير، مخصصة لأنظمة LLM المعقدة متعددة العملاء» — بحسب ملخص الدراسة على arXiv.
ما الذي يعنيه هذا
مع تزايد بناء المنتجات من عدة عملاء LLM يتفاعلون فيما بينهم، يتحوّل سؤال «من الذي أضاف قيمة فعلًا، ومن الذي أفسد النتيجة» إلى سؤال هندسي لا فلسفي. ويوفّر SLIC وسيلة للإجابة عنه بتكلفة زهيدة ودون صندوق أسود — وهو أمر مهم لتصحيح الأخطاء (debugging)، والتحسين، والتقييم العادل للعملاء في الأنظمة متعددة العملاء.
أسئلة شائعة
ما هو إسناد المساهمة في أنظمة LLM متعددة العملاء؟
هو تقييم أي من عدة عملاء أثّر في النتيجة النهائية وإلى أي مدى، عندما تنشأ الإجابة عبر سلسلة من الرسائل واعتماديات سير العمل. ويحل SLIC هذه المشكلة عبر رسم بياني فائق دلالي وقيمة Semantic Shapley Value بدلًا من عمليات التشغيل الافتراضية العكسية المكلفة.
إلى أي مدى يُعد SLIC أسرع من الطرق السابقة؟
على معيار مرجعي طبي، خفّض SLIC التكلفة الحسابية بنسبة 93.3% مقارنة بطريقة Monte Carlo Shapley المرجعية، مع الحفاظ على نتائج قريبة منها ودون إعادة تشغيل المجموعات الجزئية من العملاء.
هل تحتاج إلى ذكاء اصطناعي يعمل داخل شركتك — وليس فقط في موجز الأخبار؟
أبني ذكاءً اصطناعياً جاهزاً للإنتاج للشركات — أنظمة CRM مخصّصة، أدوات داخلية، وكلاء مستقلون، أتمتة سير العمل. ملك لك، مصمّم وفق عمليتك، دون رسوم لكل مستخدم. من إعداد جمال خميدون، مدير المنتجات في AlpinaGPT (منصة ذكاء اصطناعي، أكثر من 6000 مستخدم).
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.