إطار CoworkEnv يخلّق بيئات عمل للزملاء الاصطناعيين: نموذج 8B يقفز من 46,6 إلى 64,1 نقطة

قدّم باحثون إطار العمل CoworkEnv، الذي يخلّق بيئات تدريب قابلة للتنفيذ للزملاء الاصطناعيين: وهم وكلاء يعملون مع الأدوات، والمراسلات، والحالة المتغيرة لمساحة العمل. وعلى هذه البيئات، تم تدريب نماذج PocketWorker المدمجة. ونجح نموذج Qwen3-VL-8B-Instruct بعد الضبط الدقيق الخاضع للإشراف (SFT) في رفع متوسط درجته على معيار Claw-Eval من 46,6 إلى 64,1، محققاً زيادة قدرها 17,5 نقطة، بينما بلغت الزيادة في المهام متعددة الجولات 31,9 نقطة.

من أين تأتي المهام؟

يصعب تدريب الوكيل الزميل بسبب طبيعة البيانات نفسها؛ إذ يحتاج إلى طلبات مترابطة، وسجلات خدمات، وواجهات أدوات، واختبارات تحقق تقيّم النتائج بنزاهة وموثوقية. ويجب أن تعمل كل هذه العناصر معاً بتناغم: بحيث تشير رسالة البريد الإلكتروني إلى سجل في النظام، ويتغير السجل بعد إجراء الوكيل، في حين يفحص التحقق الحالة النهائية. ويُعد جمع مثل هذه المجموعات يدوياً أمراً بطيئاً ومكلفاً للغاية.

يعالج CoworkEnv هذه المسألة عبر التوليد الاصطناعي. يُوصف إطار العمل بأنه موجه بالقدرات (capability-guided)؛ حيث تُبنى المهام انطلاقاً من متطلبات سير العمل، أي بناءً على المهارات التي يجب أن يمتلكها الوكيل. بعد ذلك، تبدأ مرحلة التحقق البرمجي المصحوبة بحلقة تصحيح أخطاء. وتخضع المواصفات المولدة وسلوك كود التحقق لاختبار التنفيذ، لتُعاد الأخطاء المكتشفة إلى مسار التعديل. وبالتالي، لا تصل إلى مرحلة التدريب أي بيئة يخطئ فيها كود التقييم أو يستحيل حل مهمتها.

تُستخدم الموارد الناتجة بطريقتين: تتحول عمليات تنفيذ «المعلّم» إلى عروض توضيحية منتقاة للضبط الدقيق الخاضع للإشراف (SFT)، بينما توفر تفاعلات «المتعلّم» مسارات الاستكشاف (rollouts) والمكافآت اللازمة للتعلم المعزز (RL).

المعايير الرئيسية

• إطار العمل: CoworkEnv، تخليق بيئات قابلة للتنفيذ متكاملة مع واجهات الأدوات واختبارات التحقق.
• النماذج: عائلة PocketWorker، والنموذج الأساسي هو Qwen3-VL-8B-Instruct.
• Claw-Eval بعد الـ SFT: ارتفع متوسط الدرجات من 46,6 إلى 64,1.
• المهام متعددة الجولات (Multi-turn): زيادة بلغت 31,9 نقطة.
• ClawMark: توسع مقتصر على SFT فقط، مما يؤكد قابلية التطبيق على معايير أخرى مخصصة للوكلاء الزملاء.
• التعلم المعزز (RL): مقارنة بين إعدادات تختلف في معالجة المكافآت وإسناد الفضل (credit assignment).

ماذا أظهرت الأرقام؟

يتعلق الرقم الأكثر بروزاً بالمهام متعددة الجولات، حيث يتعين على الوكيل الحفاظ على السياق عبر مختلف الردود ومراعاة تغير حالة مساحة العمل مقارنة بالخطوة السابقة. وتفوق الزيادة المحققة، والبالغة 31,9 نقطة، المتوسط بنحو الضعف. ويتوافق ذلك مع فرضية الباحثين: فالبيئات الاصطناعية تدرّب الوكيل تحديداً على التنسيق والتعامل مع الحالة الديناميكية، وليس مجرد استدعاء الأدوات الفردية.

أما نتائج التعلم المعزز (RL)، فتتطلب قراءة حذرة. يصف المؤلفون أنفسهم هذه النتائج بالأولية؛ إذ تشير مكافأة التدريب المتصاعدة فقط إلى أن البيئات المبنية صالحة لتحسين السياسة (policy optimization). ولا يثبت هذا أن التعلم المعزز حقق مكاسب ملموسة على المعايير الخارجية؛ إذ تخلو الملخصات البحثية من أرقام كهذه. وتبقى مقارنة خيارات معالجة المكافآت وإسناد الفضل حتى الآن بمثابة تحليل هندسي لديناميكيات التدريب أكثر من كونها وصفة نهائية معتمدة.

التوصيات العملية

بالنسبة للفرق الهندسية التي تطوّر وكلاء للاستخدام الداخلي، فإن الخلاصة الأساسية هي أن القيمة الحقيقية تكمن في البيئة واختبارات التحقق الخاصة بها. يمكن تحسين نموذج يضم 8 مليارات معامل بشكل ملحوظ عبر عروض توضيحية مستخرجة من مهام مولدة ومتحقق من صحتها برمجياً. إن حلقة «التوليد، ثم التنفيذ، ثم إصلاح المواصفات» جديرة بالتبني بصرف النظر عن النموذج المختار؛ فهي تستبعد المهام المعطوبة وأدوات التقييم الخاطئة قبل خوض مرحلة التدريب المكلفة.

ومع ذلك، توجد بعض الملاحظات المهمة؛ إذ لم يكشف الملخص عن حجم مجموعة البيانات، أو المقارنة مع النماذج الضخمة، أو تكلفة التوليد. كما أن معياري Claw-Eval وClawMark لا يطابقان بالضرورة دورة المستندات الواقعية في مؤسستك. وقبل تطبيق هذا النهج، يجدر اختباره على سيناريوهاتك الخاصة، لا سيما في المهام متعددة الجولات التي يُزعم تحقيق أعلى المكاسب فيها. المصدر: ورقة بحثية عبر Hugging Face Daily Papers.