نموذج بـ 8 مليارات معامل يتفوق على Claude Opus 4.8 في توليد الأفكار العلمية

المشكلة: التنوع في توليد الأفكار

في سلسلة البحث العلمي، تُعد مرحلة توليد الأفكار من أولى الخطوات. وتُستخدم نماذج اللغة الكبيرة (LLM) بشكل متزايد لأتمتة هذه العملية، لكن معظم الأبحاث في هذا المجال تركز على جودة كل فكرة على حدة، متجاهلة تنوعها. وهذا يخلق عنق زجاجة: فقد يولّد النموذج مقترحات عالية الجودة لكنها متشابهة فيما بينها.

المنهجية: التعلم المعزز على مستوى المجموعة

اقترح باحثون من Salesforce AI Research (من المؤلفين: Manya Wadhwa وPranav Narayanan Venkit وHiroaki Hayashi وYu Li وTuhin Chakrabarty وChien-Sheng Wu) نهجًا مختلفًا. فقد درّبوا نموذجًا بـ 8 مليارات معامل باستخدام هدف للتعلم المعزز على مستوى المجموعة (set-level reinforcement learning objective) — وهي دالة هدف تُقيّم المجموعة الكاملة من الأفكار، لا كل فكرة بمفردها.

في عملية توليد واحدة، يكتب النموذج K من بطاقات الأفكار المُهيكلة (idea cards)، المرتبطة بأوراق علمية مصدرية (document-grounded ideation). والنقطة الأساسية هنا: عند تقييم المجموعة بشكل جماعي، تُوزَن كل فكرة بحسب المسافة بينها وبين الأفكار المكتوبة سابقًا. وهذا يُدرّب النموذج على أن يتباعد بوعي عن مقترحاته السابقة وأن يولّد مجموعات بأقصى درجة ممكنة من التنوع.

النتائج: تفوّق على Claude Opus وGPT-6

على معيار قياس خالٍ من التلوث (يستثني البيانات التي قد يكون تم التدريب عليها)، حقّق النموذج البالغ 8 مليارات معامل قيمة أعلى في مقياس creative utility — وهو مقياس يجمع بين الجودة والتنوع — مقارنة بـ Claude Opus 4.8 وGPT-6 Astra.

وفي دراسة استطلاعية شملت أربعة خبراء، قُيّمت مجموعات الأفكار الناتجة عن النموذج البالغ 8 مليارات معامل بأنها واعدة بقدر مخرجات Claude Opus 4.8. ولاحظ الخبراء أن الأفكار الصادرة عن نموذج Salesforce تحتوي على عدد أكبر قليلًا من المقترحات الفريدة.

ونتيجة مهمة: عندما شغّل وكيل برمجي (coding agent) تجارب إثبات المفهوم (proof-of-concept) بناءً على الأفكار المولّدة، جاءت نسبة success@k (نسبة الأفكار التي أدت إلى تنفيذ ناجح) لنموذج Salesforce مماثلة لتلك الخاصة بـ Claude Opus 4.8. وهذا يعني أن التنوع المتزايد لا يؤثر على قابلية التنفيذ العملي للأفكار — فهي تبقى قابلة للتحقيق.

أهمية هذا البحث

تُظهر النتائج أن نموذجًا أصغر، مدرَّبًا على دالة هدف مخصصة (التعلم المعزز على مستوى المجموعة)، يمكن أن يتفوق على نماذج مغلقة أكبر بكثير في مهمة متخصصة، وهي توليد أفكار علمية متنوعة وعالية الجودة في الوقت نفسه. ويحمل ذلك أهمية بالنسبة لمنظمات البحث التي تسعى إلى أتمتة توليد الأفكار في المراحل الأولى من سلسلة العمل البحثية.

ونُشر المشروع من قِبل Salesforce AI Research بشكل مفتوح المصدر، مع معيار قياس خالٍ من التلوث، وهو ما يسمح للمجتمع البحثي بإعادة إنتاج هذه النتائج وتطويرها.