Tencent Hunyuan وجامعة فودان تطلقان ExplorationBench لقياس قدرة نماذج LLM على الاستكشاف

قدّمت Tencent Hunyuan وباحثون من جامعة فودان ExplorationBench، وهي مجموعة تقييم لقدرة أنظمة الذكاء الاصطناعي على «الاستكشاف». صدر الإعلان عبر الحساب الرسمي @TencentHunyuan على منصة X، ثم أعاد الحساب @TencentAI_News نشره وتناوله بالشرح. ويتجه المؤلفون إلى إحدى أصعب خصائص الوكلاء قياسًا: القدرة على التصرف حين يكون الطريق الصحيح مجهولًا مسبقًا. لا توجد في المادة الأولية التي بين أيدينا نتائج رقمية للنماذج، ولن نختلقها.

ما المعروف حتى اليوم

الحقائق المتاحة قليلة لكنها واضحة. يحمل الاختبار اسم ExplorationBench، وهدفه المعلن قياس كيفية «استكشاف» نظام الذكاء الاصطناعي. يقف وراء العمل فريق من فودان سبق أن أصدر CL-bench، بمشاركة Tencent Hunyuan. وبالنسبة إلى Tencent، هذا ثاني مشروع تقييم مشترك مع شريك جامعي، أي أنه نهج راسخ وليس مبادرة لمرة واحدة.

أبرز معطيات الإعلان:

• الاسم: ExplorationBench.
• ما يقيسه: السلوك الاستكشافي لأنظمة الذكاء الاصطناعي، وليس دقة الإجابة عن سؤال ثابت.
• المؤلفون: فريق من جامعة فودان وTencent Hunyuan.
• النسخة السابقة: CL-bench من المجموعة نفسها في فودان.
• قنوات النشر: حسابا Tencent Hunyuan وTencent AI على X.
• ما لم يُكشف عنه في النص المتاح: عدد المهام، وشكل البيئات، والمقاييس، وقائمة النماذج المختبَرة، والترخيص، ورابط الشيفرة.

لماذا أصبح الاستكشاف عنق زجاجة

تفحص معظم الاختبارات الشائعة النتيجة النهائية: إجابة صحيحة، أو اختبارات وحدة مُجتازة، أو مهمة محلولة. أما سيناريوهات الوكلاء فتختلف. يدخل الوكيل بيئة معلوماتها ناقصة، وعليه أن يقرر ما الذي يتحقق منه، وأين يذهب، ومتى يتوقف. معضلة الاستكشاف والاستغلال (exploration وexploitation) معروفة منذ زمن في التعلم المعزز، لكنها تظهر لدى وكلاء LLM بصورة جديدة. فقد يستغل النموذج بثقة أول فرضية ناجحة ولا يلاحظ فرضية أفضل. وقد يواصل جمع المعلومات بلا نهاية ولا يصل إلى مرحلة الفعل.

لا يميّز مقياس النجاح النهائي بين هذين الإخفاقين جيدًا. فقد يحصل وكيلان على التقييم نفسه، مع أن أحدهما وجد الحل بطريقة منهجية والآخر بالصدفة. والحاجة إلى اختبار مستقل للاستكشاف هي رؤية العملية نفسها: اكتمال التغطية، والأفعال المتكررة، وردّ الفعل على المعلومات الجديدة.

ما الذي ينقص الإعلان

السؤال الرئيسي عن ExplorationBench هو كيف يعرّف الاستكشاف بالضبط، فعليه يتوقف كل شيء. إذا كانت البيئات حتمية ومحدودة، فقد يتحول الاختبار إلى مجرد اختبار للبحث الشامل. وإذا كانت مفتوحة، تظهر مشكلة إمكانية إعادة الإنتاج وطريقة الاحتساب. ويجب أيضًا معرفة ما إذا كانت المجموعة تفصل القدرة على الاستكشاف عن الذكاء العام للنموذج. فالنماذج القوية تتفوق عادةً في كل مكان، ومن دون شروط ضبط يتعذر إثبات مساهمة السلوك الاستكشافي بحد ذاته.

السؤال الثاني يخص الانفتاح. إذا أُتيحت الشيفرة والبيانات للعموم، فقد يصبح الاختبار أداة مشتركة، وإن لم تُتَح فسيبقى واجهة عرض لنماذج Hunyuan الداخلية. تجربة CL-bench تُظهر أن المجموعة مستعدة لنشر أعمال التقييم علنًا، لكننا لا نستطيع حاليًا تأكيد موعد المجموعة الجديدة وشروط إتاحتها.

كيف يمكن الاستفادة الآن

يفيد الفريق الذي يبني وكلاء أن يضيف إلى تقييمه الخاص مقاييس للعملية منذ اليوم: عدد الأفعال المتكررة، ونسبة الحالات الفريدة، ولحظة أول رجوع إلى المصدر المطلوب. وحين يصدر ExplorationBench مع شيفرته، سيكون من المفيد مقارنة هذه البيانات بنتائجه. وعند اختيار نموذج لمنتج قائم على الوكلاء، من الأفضل انتظار الجداول المنشورة، وألا يُنظر إلى متوسط درجة واحد بل إلى التوزيع بحسب أنواع البيئات. وعند قراءة التقرير المنتظر، تحقق من ثلاثة أمور: هل يتضمن تشغيلات مستقلة لنماذج المنافسين، وهل يبيّن التباين بين مرات التشغيل، وهل نُشرت مسارات الوكلاء. ومن دون ذلك سيبقى أي ترتيب إعلانًا لا قياسًا.