DiffResearch: نموذج لغوي انتشاري يسرّع deep research بمقدار 6 أضعاف

قدّم باحثون DiffResearch، وهو إطار مفتوح المصدر متعدد الوكلاء لـ deep research، يقوم في كل مرحلة، من التخطيط حتى التقرير النهائي، على نموذج لغوي انتشاري (dLLM). وعلى 100 مهمة من Deep Research Bench يعمل هذا النظام أسرع بنحو 6 مرات من البنية نفسها المبنية على نموذج ذاتي الانحدار مماثل. الشيفرة منشورة بموجب ترخيص Apache-2.0.

أكبر مشكلة تواجه deep research في الاستخدام التفاعلي هي زمن الاستجابة. يخطط النظام، ويبحث عن المصادر، ويجمع الوقائع، ويعيد كتابة المسودة، وفي كل خطوة يولّد النموذج النص من اليسار إلى اليمين، رمزًا تلو الآخر. وتعمل على هذا النحو تقريبًا جميع الحلول الإنتاجية. أراد مؤلفو DiffResearch معرفة ما يحدث إذا أُزيل هذا القيد من قلب النظام نفسه.

تبديل المحرّك مع بقاء الهيكل كما هو

صُمّمت التجربة بعناية. بقي هيكل الوكلاء وشيفرة الاسترجاع (retrieval) والموجّهات (prompts) ومنهجية التقييم ثابتة، وتغيّر النموذج الأساسي فقط: نموذج انتشاري مفتوح في مقابل نموذج ذاتي الانحدار مماثل. بهذا يمكن إرجاع الفرق في السرعة والجودة إلى بنية فك التشفير تحديدًا، لا إلى خصائص خط المعالجة (pipeline).

النتيجة تسريع end-to-end بنحو 6 مرات. وجاءت المساهمة الأكبر من المرحلتين اللتين يولّد فيهما النموذج أكبر قدر من النص: التخطيط وكتابة التقرير، إذ انخفض الزمن فيهما بمقدار رتبة عشرية كاملة. لا يُخرج النموذج الانتشاري الرموز واحدًا تلو الآخر، بل يحسّن المقطع كاملًا دفعة واحدة عبر عدة خطوات من إزالة الضوضاء، وهذا يحقق مكسبًا واضحًا في المخرجات الطويلة.

dFast: استعلامات فرعية من نص لم يكتمل بعد

الفكرة الثانية للمؤلفين أكثر إثارة. يحتفظ النموذج الانتشاري في كل خطوة بحالة وسيطة لا تزال مشوّشة للإجابة بأكملها. يقرأ وضع dFast هذه الحالات ويستخرج منها الاستعلامات الفرعية للبحث دون انتظار انتهاء التوليد. فيبدأ البحث قبل أن يُنهي النموذج كتابة الخطة.

وفي اختبار تفكيك الاستعلام بمعزل عن بقية المراحل بلغ التسريع الوسيط (median) 1.99×، دون تراجع في جودة التقارير. وعلى مقياس RACE في البنشمارك حصل dFast على أفضل درجة إجمالية بين ثلاثة إعدادات: النموذج ذاتي الانحدار، والنموذج الانتشاري العادي، وdFast نفسه. والمهم هنا أن السرعة لم تُشترَ بثمن الجودة.

ويعرض المؤلفون كذلك لقطة من لوحة المتصدرين العامة للأنظمة. فقد جاء DiffResearch المبني على نموذج انتشاري أقوى أعلى من عدة أنظمة تجارية. هذه لقطة لحظة القياس، لكنها نتيجة وازنة لمشروع مفتوح قائم على dLLM.

أبرز معطيات العمل:

• البنشمارك: 100 مهمة من Deep Research Bench، والتقييم وفق مقياس RACE.
• التسريع end-to-end: نحو 6× مقارنة بالنموذج ذاتي الانحدار.
• التخطيط والكتابة: انخفاض الزمن بمقدار رتبة عشرية كاملة.
• dFast: تسريع وسيط (median) لتفكيك الاستعلام بمقدار 1.99× دون خسارة في الجودة.
• الترخيص: Apache-2.0.

من يجرّب ماذا في بيئة الإنتاج

يحسن بالفرق التي تبني وكلاء بحث (research agents) أن تفحص زمن الاستجابة مرحلةً مرحلة. فإذا كان معظم الوقت يضيع في خطوات التخطيط والكتابة الطويلة، فإن تبديل النموذج الأساسي يعطي أكبر أثر. ويمكن أن تبقى بنية الهيكل كما هي، وهذا ما أظهرته التجربة ذات الهيكل (scaffold) الثابت.

الاستنتاج العملي الثاني يخص خطوط المعالجة التي تُطلق البحث مبكرًا. فكرة dFast قابلة للتطبيق حيث تكون الحالات الوسيطة للنموذج متاحة من الخارج: إذ يمكن إرسال الاستعلامات الفرعية إلى الاسترجاع (retrieval) فور ظهورها في المسودة. أما مع النماذج ذاتية الانحدار فلا يمكن تطبيق هذه الحيلة بصورتها الخالصة، لأنها لا تملك صورة «كاملة» قبل نهاية التوليد.

وثمة قيود أيضًا. فقد أُجريت المقارنة على بنشمارك واحد وزوج واحد من النماذج، كما أن النماذج الانتشارية القوية لا تزال أقل شيوعًا من النماذج ذاتية الانحدار. لكن الترخيص المفتوح يتيح التحقق من النتيجة على بياناتك الخاصة ومع نظام الاسترجاع الخاص بك. وإذا تأكدت هذه الأرقام، فستحصل نماذج dLLM على سيناريو استخدام مقنع تحديدًا حيث يزعج زمن الاستجابة المستخدم أكثر من أي شيء آخر.