نموذج لغوي كبير يعدّل أوزان الشبكات الصغيرة ويصلح التكرار في Qwen، لكنه لا يزال بعيداً عن استبدال التدرج

بات كل منشور ثانٍ تقريباً في الخلاصات يعيد سرد ورقة Weight Space Programming: إذ يُقال إن نموذجاً لغوياً كبيراً تعلّم قراءة أوزان شبكة عصبية وبرمجتها مباشرة، من دون انحدار متدرج. يبدو الأمر وكأنه نهاية التدريب التقليدي. لكن عند تفكيك التجارب، تبدو الصورة أكثر تواضعاً. ويلخص مؤلف التحليل في قناة Dealer.AI الأمر هكذا: الادعاء لا يزال يسبق الأدلة بفارق كبير.

ما الذي أُثبت فعلياً

يتلقى النموذج اللغوي الكبير الأوزان الخام لشبكة صغيرة، ويحدد منها ما تفعله الشبكة: هل تلعب لعبة، أم ترسم شكلاً عبر الانتشار، أم تتحدث بلغة معينة، أم تحتوي على induction head. بعد ذلك يقترح النموذج تعديلات موضعية على الأوزان. وبهذه الطريقة أمكن إزالة التكرار في Qwen3.5-0.8B وتحسين سياسة فاشلة داخل محاكي. كما أُعلن عن مكاسب في MATH وIFEval.

تخيل ميكانيكياً يعرف الأعطال الشائعة. تحضر إليه سيارة، فيستمع إلى المحرك، ويشتبه في قطعة بعينها، ويستبدلها ثم ينطلق لاختبار السيارة. إذا سارت، فقد نجح. الأمر مماثل هنا: يقترح النموذج اللغوي الكبير تعديلاً، ويعمل التمرير الأمامي للنموذج بوصفه حكماً يقرر ما إذا كانت النتيجة قد تحسنت. هذه عملية generate-and-test، أي استدلال جيد مع تحقق، وليست لحظة إلهام.

في جوهر الأمر، يؤدي النموذج اللغوي الكبير هنا دور الباحث البشري داخل خوارزمية ميتا استدلالية: فبدلاً من مهندس يضبط المقابض يدوياً، يعمل النموذج بوصفه خوارزمية استدلالية فائقة. ولا يوجد في ذلك بحث شامل أو ضمانات.

لماذا من المبكر الحديث عن نموذج جديد

تتضمن الورقة ست نقاط ضعف بارزة.

أولاً: الفشل على Gemma 3 270M. تزيل الطريقة عائقاً يحجب قدرة موجودة لدى النموذج، لكنها لا تضيف قدرة جديدة. وهذا تحديداً ما يفعله الانحدار المتدرج.

ثانياً: حالة Qwen هي إصلاح لخلل موثق، وليست دليلاً على فهم عام للأوزان.

ثالثاً: حُلّت Breakout خلال 517 تكراراً، بينما ينجزها PPO خلال 15–25. المقارنة غير عادلة: الميزانيات مختلفة، وقد يكون هناك استغلال لبيئة بعينها، ولا توجد مهام تحقق مؤجلة.

رابعاً: لا توجد دلائل على قابلية التوسع. اختُبرت شبكات صغيرة، ونُفذت التعديلات بأسلوب one-shot، ولا توجد دورة «تقييم → اختيار → تقارب».

خامساً: لم تُفحص الآثار الجانبية. تحسنت نتائج MATH وIFEval، لكن لا نعرف ما الذي ربما تعطّل بصمت.

سادساً: قابلية إعادة الإنتاج منخفضة. نُفذت جميع العناصر الأساسية باستخدام GPT-6 Astra الاحتكاري، وليس من الصعب تذكر «اكتشافات» مدوية في الرياضيات ظهرت فيها لاحقاً أخطاء وعدم دقة.

لماذا تنجح الطريقة أصلاً

بحسب مؤلف التحليل، لا يتعلق الأمر بـ«فهم» الأوزان، بل باجتماع عدة شروط: بصمات منخفضة الأبعاد للشبكات الصغيرة، وأنماط مألوفة من التدريب المسبق، وتكرار زائد في الأوزان، وتموضع محلي للأخطاء، والتحقق بتمرير أمامي، ومهام بسيطة ذات قاعدة قصيرة. أزل أي حلقة من هذه السلسلة، وسيتبدد السحر، كما حدث مع Gemma. يتعامل النموذج اللغوي الكبير مع بدائل دلالية، لا مع الوظيفة الحقيقية. والعثور على نقطة اختناق معروفة مع وجود آلية للتحقق لا يساوي فهم الأوزان وبرمجتها.

ما الاستخدام العملي لهذه الفكرة

يمكن للمطورين النظر إلى هذا النهج باعتباره أداة لتدقيق النماذج الصغيرة وتفسيرها وتصحيح أخطائها، خصوصاً في الحالات التي لا تتوفر فيها دالة هدف للتدرج. وإذا كانت المهمة هي العثور على عيب معروف وإزالته، مثل التكرار، فقد توفر الفكرة بعض الوقت.

أما فرق المنتجات، فلا ينبغي لها أن تضع استبدال الضبط الدقيق ضمن خريطة الطريق: فالطريقة ليست محسّناً عاماً حتى الآن.

وينبغي للمؤسسين التعامل بحذر مع عروض من نوع «نموذجنا اللغوي الكبير يكتب الأوزان». الدور الأكثر واقعية لهذا النهج هو أن يكون prior دلالياً قبل الضبط الدقيق بالتدرج، لا «انحداراً دلالياً بدلاً من التدرج».

يستحق هذا المسار المتابعة بوصفه اتجاهاً بحثياً. لكن يجب اختبار أي ادعاءات في هذا المجال على مهام تحقق مؤجلة وفحص آثارها الجانبية، وإلا فقد نحصل على مقياس جميل ونموذج معطّل.