من أين يأتي التعلم الذاتي الفيزيائي لنماذج VLM: قانون التوسّع الخاص بالوكلاء القائمة على LLM
نشر فريق دولي من Galbot تحليلاً منهجياً لآليات التحسّن الذاتي التكراري الفيزيائي في نماذج الرؤية واللغة (VLM). يقدّم عمل PhysRSI-eval مقياس تقييم خماسي الأبعاد: First-Attempt Performance وEfficiency وSuccess وBudget وImprovement from Failure. اختبر الباحثون نماذج VLM مختلفة على 18 مهمة تلاعب ضمن ميزانية تفاعلات ثابتة، وتوصّلوا إلى فرضية Physical Barrel Hypothesis: قدرات مختلفة للنموذج تحدّ من مكونات مختلفة للتحسّن. الدرجات المتوسطة المرتفعة على المعايير القياسية العامة لا تضمن تقدماً سريعاً ولا فعّالاً - فالمقاييس التقليدية تخفي اختلافات مهمة في مسارات التعلّم. أكدت تدخلات workspace interventions أن تاريخ التفاعلات حاسم للتقدم المتأخر، وأن الخبرة قابلة للانتقال جزئياً إلى مشاهد جديدة، وأن تعدد المهام قد يسرّع التعلّم. • First-Attempt Performance وEfficiency وSuccess وBudget وImprovement from Failure - تقييم خماسي الجوانب لمسار التعلّم • فرضية Physical Barrel Hypothesis: قدرات مختلفة لنماذج VLM تحدّ من اختناقات مختلفة في العملية • التكيّف مع المشهد والخبرة القابلة لإعادة الاستخدام يتعايشان بالتوازي وليس في تعارض
معالج بواسطة الذكاء الاصطناعي من Hugging Face Daily Papers؛ بتحرير Hamidun News
من أين يأتي التعلم الذاتي الفيزيائي لنماذج VLM: قانون التوسّع الخاص
بالوكلاء القائمة على LLM
ظل السؤال عن سبب تفوّق بعض نماذج الرؤية واللغة على غيرها في التعامل مع المهام الفيزيائية، وعن الكيفية الدقيقة التي تتحسّن بها هذه النماذج مع اكتساب الخبرة، دون دراسة منهجية. نشر فريق دولي من Galbot (المؤلفون: Zekai Li وJiayi Yu وJinlu Zhang وLuyang Niu وZekun Qi وJun Zheng وXuchuan Chen وDairu Liu وYintianrun Zhang وHe Wang وLi Yi) دراسة تحلّل بشكل منهجي آليات التحسّن الذاتي التكراري الفيزيائي في وكلاء الرؤية واللغة.
تقدّم الدراسة منهجية PhysRSI-eval، وهي منهجية لتقييم كمّي للتحسّن الذاتي التكراري الفيزيائي عبر مقياس خماسي الأبعاد. فبدلاً من النتيجة الثنائية التقليدية، يقيس الباحثون خمسة جوانب من التعلّم: • First-Attempt Performance - الأداء في المحاولة الأولى • Efficiency - وتيرة نمو الأداء • Success - نسبة المحاولات الناجحة النهائية • Budget - عدد التفاعلات المستهلكة • Improvement from Failure - القدرة على التعلّم من الأخطاء
الإعداد التجريبي وفرضية Physical Barrel Hypothesis
اختبر الباحثون نماذج رؤية ولغة مختلفة على 18 مهمة تلاعب ضمن ميزانية تفاعلات متساوية. أدى تحليل النتائج إلى صياغة فرضية Physical Barrel Hypothesis: قدرات مختلفة لنماذج VLM تحدّ من أجزاء مختلفة من عملية التحسّن. فكما تتحدد سعة البرميل بأقصر لوح فيه، تصبح مكونات مختلفة في الوكيل (الفهم البصري، منطق التخطيط، دقة التحكم) اختناقات في مراحل مختلفة من التعلّم.
كشفت المقاييس الخماسية الأبعاد عن اختلافات خفية: الأنظمة المتقاربة في الدرجات المتوسطة على المعايير القياسية العامة قد تتباين بشدة في ملامح التحسّن. فالدرجات النهائية المرتفعة لا تضمن تقدماً سريعاً ولا فعّالاً - إذ تخفي التقييمات المتوسطة التقليدية اختلافات مهمة في مسارات التعلّم.
التوسّع وقابلية التنبؤ
تناولت الدراسة مسألة التوسّع من زاويتين. الزاوية الأولى، observational scaling، تجيب عن السؤال: هل يمكن التنبؤ بالأداء النسبي لوكيل VLM في المهام الفيزيائية انطلاقاً من القدرات العامة المعروفة للنموذج؟ أما الزاوية الثانية فتتعلق بالتنبؤ بالتقدم المتأخر انطلاقاً من ملاحظات الفعل الفيزيائي المبكرة - أي إذا أظهر الوكيل نمطاً معيناً من الأخطاء في المحاولات الأولى، فهل يمكن التنبؤ بمساره اللاحق؟
معاً، تجيب هاتان الزاويتان التحليليتان عن السؤال الأساسي: ما مدى سرعة وما مدى اتساع التحسّن الذي يمكن أن يحققه الوكيل؟
تدخلات workspace interventions وبنية الخبرة
أجرى الباحثون تجارب تضمنت التلاعب بشروط العمل لفهم ما يتبقى من التحسّن بعد التدخل: • أدى حذف تاريخ التفاعلات إلى خفض معدل النجاح في الجولات المتأخرة - أي أن تاريخ التفاعلات حاسم للتعلّم • لم يؤدِّ تجميد إعدادات بيئة العمل إلى تدمير فائدة الخبرة في مشاهد جديدة - أي أن الخبرة قابلة للانتقال جزئياً • حققت ثلاث حالات عابرة للمهام نجاحاً أبكر في ظل شروط معينة - أي أن تعدد المهام يسرّع التعلّم
والاستنتاج الرئيسي هو أن التكيّف مع مشهد معيّن والخبرة القابلة لإعادة الاستخدام يتعايشان بالتوازي وليس في تعارض.
السياق في مشهد التحسّن الذاتي التكراري
تشير Hugging Face إلى أعمال مشابهة تطوّر أفكاراً قريبة: • PhysEvo: Astra Can Act, Let It (2026) • Agent Plasticity: Measuring Self-Improvement Through Experience (2026) • SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness (2026) • Long-Horizon Scaling: How Model Capabilities Shape the Returns to Computation (2026) • HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? (2026) • AReaL-RSI: Adaptive Scaling and Coordination of Recursive Self-Improvement (2026) • RSIGym: A Flexible Environment for Recursive Self-Improvement (2026)
المشروع متاح على physrsi-eval.github.io مع الكود الكامل والبيانات والتوثيق.
- 27 أكتوبر 2026S3AC تعيد الناقد إلى RL لنماذج LLM: مكاسب من 1.5B إلى 397B معامل
- 27 أكتوبر 2026Skill∞: وكيل يحسّن مهاراته ومهارته الفوقية بنفسه، و60.7% على SkillsBench
- 27 أكتوبر 2026مراجعة بحثية من 12 مؤلفًا ترسم طريق الثقة بذكاء اصطناعي يحسّن نفسه بنفسه
- 27 أكتوبر 2026Work Agents: 16 باحثًا يبنون منظومة إحداثيات موحدة لوكلاء الذكاء الاصطناعي
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول من أين يأتي التعلم الذاتي الفيزيائي لنماذج VLM: قانون التوسّع الخاص بالوكلاء القائمة على LLM؟
ظل السؤال عن سبب تفوّق بعض نماذج الرؤية واللغة على غيرها في التعامل مع المهام الفيزيائية، وعن الكيفية الدقيقة التي تتحسّن بها هذه النماذج مع اكتساب الخبرة، دون دراسة منهجية. نشر فريق دولي من Galbot (المؤلفون: Zekai Li وJiayi Yu وJinlu Zhang وLuyang Niu وZekun Qi وJun Zheng وXuchuan Chen وDairu Liu وYintianrun Zhang وHe Wang وLi Yi) دراسة تحلّل بشكل منهجي آليات التحسّن الذاتي التكراري الفيزيائي في وكلاء الرؤية واللغة. تقدّم الدراسة منهجية PhysRSI-eval، وهي منهجية لتقييم كمّي للتحسّن الذاتي التكراري الفيزيائي عبر مقياس خماسي الأبعاد. فبدلاً من النتيجة الثنائية التقليدية، يقيس
ما أبرز التفاصيل حول الإعداد التجريبي وفرضية Physical Barrel Hypothesis؟
اختبر الباحثون نماذج رؤية ولغة مختلفة على 18 مهمة تلاعب ضمن ميزانية تفاعلات متساوية. أدى تحليل النتائج إلى صياغة فرضية Physical Barrel Hypothesis: قدرات مختلفة لنماذج VLM تحدّ من أجزاء مختلفة من عملية التحسّن. فكما تتحدد سعة البرميل بأقصر لوح فيه، تصبح مكونات مختلفة في الوكيل (الفهم البصري، منطق التخطيط، دقة التحكم) اختناقات في مراحل مختلفة من التعلّم. كشفت المقاييس الخماسية الأبعاد عن اختلافات خفية: الأنظمة المتقاربة في الدرجات المتوسطة على المعايير القياسية العامة قد تتباين بشدة في ملامح التحسّن. فالدرجات النهائية المرتفعة لا تضمن تقدماً سريعاً ولا فعّالاً - إذ تخفي التقي
ما أبرز التفاصيل حول التوسّع وقابلية التنبؤ؟
تناولت الدراسة مسألة التوسّع من زاويتين. الزاوية الأولى، observational scaling، تجيب عن السؤال: هل يمكن التنبؤ بالأداء النسبي لوكيل VLM في المهام الفيزيائية انطلاقاً من القدرات العامة المعروفة للنموذج؟ أما الزاوية الثانية فتتعلق بالتنبؤ بالتقدم المتأخر انطلاقاً من ملاحظات الفعل الفيزيائي المبكرة - أي إذا أظهر الوكيل نمطاً معيناً من الأخطاء في المحاولات الأولى، فهل يمكن التنبؤ بمساره اللاحق؟ معاً، تجيب هاتان الزاويتان التحليليتان عن السؤال الأساسي: ما مدى سرعة وما مدى اتساع التحسّن الذي يمكن أن يحققه الوكيل؟
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
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.