ألف وكيل من Claude Fable 5.2 يصوغون برهان مبرهنة فيرما بلغة Lean خلال 30 ساعة

لطالما عُدّ التحقق الرسمي مجالًا محصورًا في نخبة من المتخصصين. والآن تعرض Anthropic قدرة فريق من ألف وكيل على كتابة برهان بلغة Lean استغرق من علماء الرياضيات سنوات لإنجازه. وبالنسبة إلى الممارسين، لا تكمن المسألة في فيرما بحد ذاته، بل في المدى الذي تستطيع النماذج بلوغه في العمل المستقل.

ما الذي أنجزه الوكلاء تحديدًا؟

تنص مبرهنة فيرما الأخيرة على أنه، لأي عدد صحيح n > 2، لا توجد حلول للمعادلة aⁿ + bⁿ = cⁿ في الأعداد الصحيحة الموجبة. نُشر برهان أندرو وايلز عام 1995، بعد أن أصلح ثغرة فيه بالتعاون مع ريتشارد تايلور. أما مهمة الوكلاء فكانت مختلفة: كتابة هذا الاستدلال بصيغة تستطيع الآلة التحقق منها.

في Lean، تُمثَّل القضية بنوع، ويكون البرهان حدًّا من هذا النوع. تبني التكتيكات هذا الحد، ثم تتحقق النواة من مطابقته. وإذا لم تكن اللمّة المطلوبة موجودة في المكتبة، فلا بد من صياغتها وإثباتها. يشبه ذلك بناء مشروع برمجي كبير، تتحول فيه كل تبعية مفقودة إلى مهمة مستقلة.

في سبتمبر، عالجت Anthropic المهمة نفسها باستخدام منصة Prove2Me، التي كانت تحتفظ برسم بياني للتبعيات بين القضايا. استغرقت التجربة 11 يومًا، وضم البرهان النهائي 29 500 مبرهنة وسيطة. وخضعت الصياغة النهائية لمراجعة منفصلة بمقارنتها مع Mathlib.

ما الذي تغيّر في التجربة الجديدة؟

تلقّت Fable 5.2 تعليمات أولية موجزة وقائمة بالقضايا الوسيطة لقياس التقدم. ووفقًا لـAnthropic، وزّع الوكلاء العمل فيما بينهم بأنفسهم، واستغنوا عن المراجع الرياضية، ولم يتدخل البشر إلا نادرًا. وانخفض استهلاك التوكنات المخصصة للإجراءات إلى الثلث، بينما أصبح النص الرسمي للبرهان أقصر بسبع مرات.

شُغّل Opus 5.5 بالإعداد نفسه، مع نحو ألف وكيل. أنجز 26% خلال أول 18 ساعة، ثم لم يحرز تقدمًا يُذكر خلال الساعات الـ12 المتبقية. واستأنف الفريقان العمل عند الساعة الـ18 انطلاقًا من حالة محفوظة. وهنا تحفظ مهم: يعرض الرسم البياني تجربة واحدة فقط لكل نموذج، كما أن تجربة سبتمبر استخدمت نموذجًا مختلفًا وآلية تنسيق مختلفة. لذا فهذا عرض توضيحي، وليس اختبارًا معياريًا صارمًا.

نتائج أخرى وردت في الإعلان

نقل فريق من الوكلاء يعمل بإصدار مبكر من Fable 5.2 خدمة داخلية بالغة الأهمية من Python إلى Rust، فانخفض زمن بدء تشغيلها بنحو 26 مرة. وفي تجربة أخرى، نسّق النموذج عمل أكثر من ألف وكيل فرعي على مدى ثمانية أيام لتطوير نموذج أولي لنظام تشغيل. بدأوا بمجلد فارغ، وانتهوا بنظام يضم نواة، وبرامج تشغيل للقرص ولوحة المفاتيح والشبكة، وتخزينًا للملفات، وواجهة نوافذ، وبرنامج تثبيت، ويمكن إقلاعه على حاسوب محمول.

في FrontierCode 2.0، حققت Fable 5.2 نتيجة 49,1% عند مستوى الجهد Xhigh، مقابل 32,4% لـFable 5.1. وفي وضع High، عادلت أداء Opus 5.5 في وضع Max، بتكلفة لحل المهمة تقل بنحو النصف.

تشترك Fable 5.2 وMythos 5.2 في النموذج الأساسي نفسه. وتخضع Fable لقيود في المهام عالية المخاطر المتعلقة بالأمن السيبراني والبيولوجيا، بينما تتاح Mythos للمؤسسات التي خضعت للتحقق. وفي الاختبار الداخلي CVE Rediscovery، أعادت Mythos 5.2 اكتشاف 89,6% من أصل 1829 ثغرة منشورة، مقابل 78,3% لـMythos 5.1 و81,3% لـOpus 5.5 من دون قيود الحماية.

السعر والخلاصة العملية

يتاح النموذج عبر واجهة API باسم claude-fable-5-2، وكذلك عبر AWS وGoogle Cloud وMicrosoft Azure. ويبلغ السعر $8 لكل مليون توكن إدخال و$40 لكل مليون توكن إخراج. وارتفعت سرعة التوليد بنسبة تصل إلى 30%. وفي Fast Mode، تُولَّد التوكنات بسرعة تصل إلى 2,5 مرة، لكن السعر يتضاعف إلى $16 و$80.

ماذا يعني ذلك للمطور؟ أولًا، إذا كنت تبني أنظمة وكيلية، فاختبر المواضع التي تبلغ فيها حدود قدراتها أثناء المهام الطويلة؛ فهناك يظهر الفرق بين أجيال النماذج بأوضح صورة. ثانيًا، زوّد الوكلاء بقائمة صريحة من الأهداف الوسيطة، كما في هذه التجربة: فالتقدم القابل للقياس يساعد النموذج ويساعدك أنت أيضًا. ثالثًا، أدرج حفظ الحالة واستئناف العمل في بنية النظام منذ البداية.

القيود واضحة: جميع الأرقام صادرة عن Anthropic نفسها، ولا يوجد تحقق مستقل حتى الآن، وتستند المقارنة إلى تجربة واحدة لكل نموذج. لكن الاتجاه واضح: المهام المستقلة الطويلة التي تنفذها آلاف الوكلاء تنتقل من العروض المختبرية إلى الممارسة الهندسية.