EvoSyn: التوليد متعدد الوكلاء للبيانات يرفع نجاح المهام بمقدار 13,3 نقطة

قدّم فريق مؤلفي الورقة البحثية arXiv:2610.12593 نظام EvoSyn، وهو نظام متعدد الوكلاء لتوليد بيانات تدريب لوكلاء LLM التفاعليين. وبحسب النتائج المعلنة، يرفع النظام على اختباري τ²-Bench وCAR-Bench متوسط نجاح تنفيذ المهام بمقدار 13,3 نقطة مقارنةً بأقوى خطوط الأساس الاصطناعية التي خضعت للاختبار. كما يكتشف النظام عوامل تفاعل قابلة للتحكم تبقى خفية إذا لم تؤخذ في الحسبان ملاحظات الوكيل المتعلِّم.

المشكلة: الأخطاء ظاهرة والحل غائب

يعتمد الضبط الدقيق للوكلاء بصورة متزايدة على الخبرة الاصطناعية. ولا يكفي لذلك الحصول على مسارات تُنفَّذ وتجتاز التحقق. فالمطلوب أن تفيد الوكيل الحالي تحديدًا، فتعالج نقاط ضعفه ولا تكرر ما يتقنه أصلًا.

تراعي الأساليب الحديثة ملاحظات البيئة والتحقق من البيانات وإخفاقات النموذج قيد التدريب. ويسمّي المؤلفون المشكلة المتبقية فجوة بين الملاحظات والقرار (feedback-to-decision gap). لنفترض أن الوكيل يخطئ في فئة معينة من السيناريوهات. مجرد وقوع الخطأ لا يبيّن كيف ينبغي تعديل الدفعة التالية من البيانات الاصطناعية. ومن غير الواضح أيضًا ما إذا كان المولِّد الحالي قادرًا أصلًا على إنتاج هذه السيناريوهات، أم أن محور التنوع المطلوب غير موجود في فضائه.

كيف يعمل EvoSyn

العنصر المحوري في النظام هو حالة التوليد القابلة للتعديل. فهي تحدد عوامل التفاعل التي يمكن توليدها بصورة موجَّهة، والاتجاهات التي ينبغي توجيه الجهد إليها. وهي ليست مجموعة ثابتة من الموجِّهات (prompts)، بل بنية تُراجَع في ختام كل دورة تدريب.

تتولى المراجعةَ منظومة متعددة الوكلاء بأدوار مقسّمة. يترجم بعض الوكلاء ملاحظات الوكيل المتعلِّم إلى تعديلات على التوليد. ويوزّع Designer اتجاهات التوليد. ويحوّلها Planner إلى تجربة قابلة للتنفيذ، أي إلى مسارات محددة.

تجري العملية في نمطين:

• التكيّف داخل الفضاء: إزاحة التوليد نحو المناطق الضعيفة وقليلة التغطية؛
• توسيع الفضاء: العوامل الجديدة المكتشفة أثناء العملية تصبح معاملات صريحة للتحكم في التوليد.

يعالج النمط الثاني مشكلة لا تراها القوالب الثابتة. فإذا لم يكن محور التنوع المطلوب موجودًا في الوصف، فمهما أعدنا توزيع الأوزان لن تظهر السيناريوهات المطلوبة.

ماذا أظهرت التجارب

يعرض الملخص النتائج التالية:

• +13,3 نقطة في متوسط نجاح المهام مقارنةً بأقوى خط أساس اصطناعي؛
• الاختبار على τ²-Bench وCAR-Bench، وهما اختباران للوكلاء التفاعليين؛
• جودة أعلى وتغطية أوسع بنيويًا للخبرة الاصطناعية؛
• اكتشاف عوامل قابلة للتحكم تفوت في غياب ملاحظات الوكيل المتعلِّم.

والقيود واضحة أيضًا. فنص الملخص لا يتضمن القيم المطلقة للمقاييس، ولا أحجام النماذج الأساسية، ولا تكلفة التوليد. والعمل لا يزال نسخة أولية (preprint) غير محكَّمة، وسيتعين التحقق من إمكانية إعادة إنتاج النتائج ومن مساهمة كل مكوّن (Designer وPlanner وتوسيع الفضاء) عبر النص الكامل.

أين يفيد هذا

بالنسبة إلى الفرق التي تبني وكلاء يستدعون الأدوات ويخوضون حوارات متعددة الخطوات، فالفكرة واضحة وقابلة للنقل. فالبيانات ينبغي أن تُولَّد بناءً على نتائج تقييم نموذج بعينه، لا «بوجه عام». والحد الأدنى العملي هو الاحتفاظ بوصف صريح للعوامل التي تولّدون السيناريوهات بحسبها، ومطابقته دوريًا مع سجلات إخفاقات الوكيل. وإذا تجمّعت الإخفاقات حول معامل غير موجود في المولِّد، فهذه إشارة إلى توسيع الفضاء، لا إلى مجرد زيادة الحجم.

قبل تعميم هذا النهج، ينبغي التحقق من ثلاثة أمور. هل يبقى المكسب قائمًا على مجالاتكم، لا على اختبارين فقط؟ كم تبلغ كلفة الحلقة الإضافية المكوّنة من عدة وكلاء LLM مقارنةً بالتوليد المعتاد؟ وهل يفرط الوكيل في التكيّف مع الاختبارات؟ ستجدون الإجابات في تفاصيل التجارب، وهي أول ما ينبغي الاطلاع عليه.