AREX-2 الصينية المبنية على نموذج 27B تتفوق على نموذج بـ1,6 تريليون معلمة
أطلق باحثون من أكاديمية بكين للذكاء الاصطناعي (BAAI) وجامعة العلوم والتكنولوجيا الصينية وجامعة الشعب الصينية نموذج AREX-2. بُني النموذج على Qwen3.8-27B، وبحسب ما يزعمه مطوّروه فإنه يتفوق على نظام بـ1,6 تريليون معلمة، أي أكبر منه بنحو 60 مرة تقريبًا. يكمن السر في البيانات. فقد جمع فريق AREX سلاسل تأمل طويلة من مهام تعلّم الآلة والبرمجة الخوارزمية. ويتعلم النموذج ألا يقدّم الإجابة من المحاولة الأولى، بل أن يحلل أخطاءه بنفسه مرة بعد أخرى ويحسّن الحل. ويرى المطورون في ذلك خطوة نحو التحسين الذاتي التكراري (RSI). • القاعدة: Qwen3.8-27B • مجال التدريب: هندسة ML والشيفرات الخوارزمية • الجهات المشاركة: BAAI وUSTC وجامعة الشعب الصينية
معالج بواسطة الذكاء الاصطناعي من Jiqizhixin (机器之心)؛ بتحرير Hamidun News
تفوّق نموذج بـ27 مليار معلمة على نظام بـ1,6 تريليون معلمة، بحسب ما يزعمه باحثون صينيون. والفارق في الحجم يقارب 60 ضعفًا. فقد قدّمت مجموعة AREX من أكاديمية بكين للذكاء الاصطناعي (BAAI) وجامعة العلوم والتكنولوجيا الصينية (USTC) وجامعة الشعب الصينية نموذج AREX-2. بُني النموذج على قاعدة خفيفة هي Qwen3.8-27B، ودُرّب على بيانات «التأمل الطويل» المستخرجة من مهام تعلّم الآلة والبرمجة الخوارزمية.
التأمل بدلًا من زيادة المعلمات
الطريق المعتاد إلى نموذج قوي في البرمجة هو زيادة عدد المعلمات وتوسيع المدونة النصية وإضافة التعلم المعزّز على مهام يمكن التحقق منها. أما AREX-2 فيسلك مسارًا مختلفًا. فقد بنى المطورون بيانات التدريب حول دورة طويلة من «المحاولة، ثم التحليل، ثم التصحيح». ولا يكتفي النموذج في هذه الدورة بمرور واحد، بل يعود إلى حله، ويكتشف موضع الضعف فيه، ويعيد صياغة الخوارزمية.
لم يكن اختيار هذا المجال عشوائيًا. ففي هندسة ML والبرمجة الخوارزمية يمكن قياس النتيجة: إما أن تجتاز الشيفرة الاختبارات أو لا تجتازها، وإما أن ترتفع المقياس أو تنخفض. لذلك تكون التغذية الراجعة هنا صادقة، ويمكن جمع مسارات التحسين الطويلة والتحقق منها.
لماذا تلفت المقارنة بين 27B و1,6T الانتباه؟
يقوم عنوان البحث على التباين في الحجم. وإذا تأكدت النتيجة المعلنة بقياسات مستقلة، فستعزز اتجاهًا قائمًا منذ فترة: فجودة الأداء في المهام الضيقة التي يسهل التحقق منها تعتمد أكثر فأكثر على بنية البيانات وإجراءات التدريب، لا على عدد المعلمات.
وللمهندسين هنا معنى عملي. فنموذج بحجم 27B يتسع لعدد قليل من المسرّعات، وتكلفة تشغيله أقل بكثير من الأنظمة التي تبلغ تريليونات المعلمات. ويمكن نشره داخل الشركة وضبطه بدقة وتشغيله في حلقات وكلاء طويلة، حيث يكلّف كل رمز زائد مالًا.
RSI كإطار عمل
يربط المطورون عملهم بالتحسين الذاتي التكراري (RSI)، أي قدرة النظام على تحسين خوارزمياته بنفسه عبر دورات متتالية. والفكرة أن النموذج الذي يستطيع تطوير شيفرة مهام ML بصبر وبوعي لوقت طويل يقترب تدريجيًا من تحسين عمليات ML نفسها. وبحسب صياغتهم، يفتح هذا الباب أمام تطور مستقل للذكاء. لكن الأمر لا يزال خطوة أولى في مجال محدود، وليس نظامًا يحسّن نفسه بالكامل.
أبرز معطيات الإصدار:
- النموذج: AREX-2
- البنية الأساسية: Qwen3.8-27B (نحو 27 مليار معلمة)
- بيانات التدريب: سلاسل تأمل طويلة في ML والبرمجة الخوارزمية
- المقارنة المعلنة: تفوق على نموذج بحجم 1,6 تريليون معلمة
- المطورون: مجموعة AREX؛ BAAI وUSTC وجامعة الشعب الصينية
- إطار البحث: التحسين الذاتي التكراري (RSI)
ما الذي ينبغي أن تتحقق منه الفرق التي تبني الوكلاء؟
على الفرق التي تطوّر وكلاء للبرمجة والبحث أن تنظر في المخطط نفسه. فإذا كانت لديكم مهام تتوافر لها آلية تحقق تلقائي، يمكن جمع الحلول النهائية الصحيحة، وكذلك مسارات التصحيح: ما الذي جُرّب، ولماذا لم ينجح، وكيف تغيّر النهج. فمجموعة بيانات كهذه تعلّم النموذج التعامل مع الخطأ، لا مجرد إعادة إنتاج إجابة جاهزة.
قبل اعتماد النموذج لا بد من قياسات مستقلة. وأول ما ينبغي توضيحه هو على أي معايير قياس وفي أي ظروف يتفوق AREX-2 على النموذج الكبير، فمحدودية المجال قد تؤثر كثيرًا في الاستنتاجات. بعد ذلك يجب التأكد من أن المكسب يبقى في مهام خارج توزيع التدريب وعلى آفاق طويلة تتراكم فيها الأخطاء. وإذا اجتيزت هذه الاختبارات، فستصبح النماذج المدمجة المدرَّبة على التأمل بديلًا حقيقيًا للعمالقة المكلفة في وكلاء الهندسة.
أسئلة وأجوبة حول الخبر
لماذا تلفت المقارنة بين 27B و1,6T الانتباه؟
يقوم عنوان البحث على التباين في الحجم. وإذا تأكدت النتيجة المعلنة بقياسات مستقلة، فستعزز اتجاهًا قائمًا منذ فترة: فجودة الأداء في المهام الضيقة التي يسهل التحقق منها تعتمد أكثر فأكثر على بنية البيانات وإجراءات التدريب، لا على عدد المعلمات. وللمهندسين هنا معنى عملي. فنموذج بحجم 27B يتسع لعدد قليل من المسرّعات، وتكلفة تشغيله أقل بكثير من الأنظمة التي تبلغ تريليونات المعلمات. ويمكن نشره داخل الشركة وضبطه بدقة وتشغيله في حلقات وكلاء طويلة، حيث يكلّف كل رمز زائد مالًا.
ما الذي ينبغي أن تتحقق منه الفرق التي تبني الوكلاء؟
على الفرق التي تطوّر وكلاء للبرمجة والبحث أن تنظر في المخطط نفسه. فإذا كانت لديكم مهام تتوافر لها آلية تحقق تلقائي، يمكن جمع الحلول النهائية الصحيحة، وكذلك مسارات التصحيح: ما الذي جُرّب، ولماذا لم ينجح، وكيف تغيّر النهج. فمجموعة بيانات كهذه تعلّم النموذج التعامل مع الخطأ، لا مجرد إعادة إنتاج إجابة جاهزة. قبل اعتماد النموذج لا بد من قياسات مستقلة. وأول ما ينبغي توضيحه هو على أي معايير قياس وفي أي ظروف يتفوق AREX-2 على النموذج الكبير، فمحدودية المجال قد تؤثر كثيرًا في الاستنتاجات. بعد ذلك يجب التأكد من أن المكسب يبقى في مهام خارج توزيع التدريب وعلى آفاق طويلة تتراكم فيها الأخ
ما أبرز التفاصيل حول التأمل بدلًا من زيادة المعلمات؟
الطريق المعتاد إلى نموذج قوي في البرمجة هو زيادة عدد المعلمات وتوسيع المدونة النصية وإضافة التعلم المعزّز على مهام يمكن التحقق منها. أما AREX-2 فيسلك مسارًا مختلفًا. فقد بنى المطورون بيانات التدريب حول دورة طويلة من «المحاولة، ثم التحليل، ثم التصحيح». ولا يكتفي النموذج في هذه الدورة بمرور واحد، بل يعود إلى حله، ويكتشف موضع الضعف فيه، ويعيد صياغة الخوارزمية. لم يكن اختيار هذا المجال عشوائيًا. ففي هندسة ML والبرمجة الخوارزمية يمكن قياس النتيجة: إما أن تجتاز الشيفرة الاختبارات أو لا تجتازها، وإما أن ترتفع المقياس أو تنخفض. لذلك تكون التغذية الراجعة هنا صادقة، ويمكن جمع مسارات
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
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.