SLIC وقيمة شابلي الدلالية: كيف نقيس إسهام الوكلاء في أنظمة LLM مع خفض الحسابات بنسبة 93%

في يوليو 2026 ظهرت على arXiv ورقة بحثية أولية (preprint) تصف SLIC، وهي خوارزمية تقيّم إسهام كل وكيل في نظام LLM متعدد الوكلاء في مرور واحد، وتخفض تكلفة الحوسبة بنسبة 93,3% مقارنةً بالطريقة الأساسية Monte Carlo Shapley.

لماذا يصعب حساب إسهام الوكلاء

تتطلب طرق الإسناد (attribution) الكلاسيكية إعادة تشغيل النظام مرارًا: يُحذف وكلاء بعينهم، ثم تُقارن التغيّرات في النتيجة النهائية. وفي مسارات العمل اللغوية (workflow) يعني كل تشغيل من هذا النوع استدعاءات جديدة للنموذج. فالحساب الدقيق للإسهام وفق Shapley يستلزم استعراض جميع المجموعات الجزئية من الوكلاء البالغ عددها 2^n، ما ينتج تقديرات عالية التباين ويصبح مستحيلًا عمليًا مع ازدياد عدد الوكلاء.

ويشير مؤلفو الدراسة إلى مشكلة ثانية: فطرق counterfactual لا ترى الحالات الدلالية الوسيطة، أي الطريقة التي يولّد بها الوكلاء المعلومات المهمة للمهمة ويحتفظون بها ويحوّلونها أثناء تبادل الرسائل. فالتقييم يقتصر على مدخلات النظام ومخرجاته، لا على منطق انتقال المعنى بين الأدوار نفسه.

كيف تعمل قيمة شابلي الدلالية (Semantic Shapley Value)

يبني SLIC رسمًا بيانيًا فائقًا دلاليًا انطلاقًا من مسار العمل اللغوي الذي نُفّذ فعلًا، ويحسب قيمة شابلي الدلالية (Semantic Shapley Value، أو SSV) دون إعادة تشغيل المجموعات الجزئية من الوكلاء. تستعيد الخوارزمية الحدود الدنيا للدعم الدلالي (minimal semantic supports)، وتطبّق الامتصاص البولياني (Boolean absorption)، ثم توزّع الإسهام وفق منطق الدعم الدلالي ضمن مسار تنفيذ واحد. ومن هنا جاء وصف الطريقة بأنها «single-trajectory».

ويثبت المؤلفون أن SSV تؤول إلى قيمة شابلي الكلاسيكية في ظل شروط قياسية: التمثيل المتعدد، والمراقبة الكاملة، وغياب الاعتماد على الترتيب. أي أن الطريقة الجديدة ليست مجرد قاعدة تقريبية (heuristic)، بل تعميم صحيح لنظرية الألعاب التعاونية المعروفة على العمليات اللغوية، حيث يهم ترتيب الخطوات والمعنى الوسيط.

• الطريقة: Semantic Cooperative Games (SCG) + Semantic Shapley Value (SSV)
• الخوارزمية: SLIC — حساب في مرور واحد، دون إعادة تشغيل مضادة للواقع
• التوفير: −93,3% من تكلفة الحوسبة على معيار اختبار طبي
• الاتساق: النتائج قريبة من الطريقة الأساسية Monte Carlo Shapley
• النشر: ورقة أولية arXiv:2607.18255، يوليو 2026

ماذا أظهرت الاختبارات

على معيار اختبار طبي يستوفي شروط النظرية، خفّض SLIC تكلفة الحوسبة بنسبة 93,3%، مع بقائه شديد الاتساق مع الطريقة الأساسية Monte Carlo Shapley. وهذه هي النتيجة الرئيسية للبحث: تقديرات للإسهام تكاد تكون نفسها، لكن بتكلفة حسابية أقل بنحو 15 مرة.

وفي مسارات العمل متعددة الأدوار الأعم، تتطابق قيمة SSV مع أنماط تراجع الدرجة عند إدخال اضطرابات، وتكشف حالات يتباعد فيها الإسهام الدلالي للوكيل عن تأثيره في الإخفاق. فقد يحمل الوكيل قدرًا كبيرًا من المعنى دون أن يكون نقطة الفشل، والعكس صحيح.

«SLIC طريقة إسناد سريعة وقابلة للتفسير، ولا تتطلب تشغيلات مضادة

للواقع، وهي موجّهة إلى أنظمة LLM المعقدة متعددة الوكلاء»، حسبما جاء في ملخص الورقة على arXiv.

ماذا يعني ذلك

مع تزايد المنتجات التي تُبنى من عدة وكلاء LLM متفاعلين، يتحول السؤال «من الذي أضاف قيمة ومن الذي أفسد النتيجة» إلى مسألة هندسية لا فلسفية. ويقدّم SLIC طريقة للإجابة عنه بتكلفة منخفضة ودون صندوق أسود، وهو أمر مهم لتصحيح الأخطاء والتحسين والتقييم العادل للوكلاء في الأنظمة متعددة الوكلاء.

أسئلة شائعة

ما المقصود بإسناد الإسهام في أنظمة LLM متعددة الوكلاء؟

هو تقدير أي وكيل من بين عدة وكلاء أثّر في النتيجة النهائية، وبأي مقدار، حين يتولد الجواب عبر سلسلة من الرسائل والاعتماديات داخل مسار العمل. ويعالج SLIC هذه المهمة عبر رسم بياني فائق دلالي وقيمة شابلي الدلالية، بدلًا من التشغيلات المضادة للواقع المكلفة.

ما مدى سرعة SLIC مقارنةً بالطرق السابقة؟

على معيار اختبار طبي، خفّض SLIC تكلفة الحوسبة بنسبة 93,3% قياسًا بالطريقة الأساسية Monte Carlo Shapley، مع الحفاظ على نتائج قريبة منها ودون إعادة تشغيل المجموعات الجزئية من الوكلاء.