شميدهوبر وبنتلاند يشرحان لماذا لا ترفع درجة الحرارة فضول الوكيل
رفع درجة الحرارة أو إعادة صياغة المطالبة (prompt) لا يزيد سوى تنوّع أفعال الوكيل، ولا يعلّمه الاستكشاف. ويرى مؤلفو الورقة، ومعهم شميدهوبر، أن الفضول شيء آخر: توقّع حول البيئة، وأفعال تهدف إلى اختبار هذا التوقّع، وذاكرة خارج نافذة السياق. ولا يحقق أربعة من المتطلبات الخمسة سوى المعماريات التي تتتبع الفرضيات صراحةً أو تعتمد على نموذج عالم قابل للتدريب. لذلك ينبغي أن يفحص المطورون في الوكلاء ما إذا كانت توقعاتهم تتغير بعد التجربة، لا مدى تنوّع خطواتهم.
معالج بواسطة الذكاء الاصطناعي من TG: @gonzo_ML (gonzo-обзоры ML статей)؛ بتحرير Hamidun News
تواجه فرق كثيرة تبني وكلاء مستقلين المشكلة نفسها: الوكيل يراوح مكانه. فهو يكرر أفعالًا متشابهة، ولا يجرّب شيئًا جديدًا، ولا يتعلم عن البيئة أي شيء يتجاوز ما ورد أصلًا في المطالبة (prompt). والعلاج المعتاد هو رفع درجة الحرارة، أو إضافة العشوائية إلى أخذ العينات، أو كتابة عبارة «كن فضوليًا» في مطالبة النظام. لكن مجموعة من المؤلفين بقيادة ألفونسو أمايويلاس، ومعهم يورغن شميدهوبر وأليكس بنتلاند، ترى أن هذا العلاج لا يجدي. فالوكيل يصبح بذلك أكثر تنوعًا، لكنه لا يصبح أكثر فضولًا.
ما الفرق بين الفضول والعشوائية
يستعير المؤلفون فكرة الفضول الكلاسيكية من التعلم المعزز، وينقلونها إلى وكلاء LLM. والتشبيه اليومي بسيط. فالسائح في سوق غير مألوف قد يتجول بين الممرات عشوائيًا، وهذا يشبه أخذ العينات. وقد يحمل في ذهنه تخمينًا («ربما الخضار أرخص في الممرات البعيدة»)، فيذهب ليتحقق منه هو تحديدًا، ثم يحفظ النتيجة. والفضول هو السيناريو الثاني.
ويترتب على ذلك ثلاثة أمور يعدّها المؤلفون إلزامية. أولًا، يجب أن يمتلك الوكيل نموذجًا تنبؤيًا للبيئة: ماذا سيحدث إذا فعلتُ هذا؟ ثانيًا، تُختار الأفعال بحيث تحسّن هذا النموذج، لا لمجرد الحصول على مكافأة. ثالثًا، تُحفظ الاستنتاجات خارج نافذة السياق. فإذا بقيت المعرفة داخل المطالبة وحدها، زالت بانتهاء الجلسة، وبدأ الوكيل في كل مرة من الصفر. وتتضمن الورقة خمسة متطلبات معمارية في المجموع، وقد عرضنا هنا الأفكار الرئيسية التي تقوم عليها.
ما المشكلة في الوكلاء الشائعين
يحلل المؤلفون بعد ذلك فئات الوكلاء القائمة: وكلاء البحث، والوكلاء ذوو الذاكرة الطويلة، و«الباحثون العلميون». والخلاصة غير مبشّرة. فأربعة من المتطلبات الخمسة لا تحققها سوى المعماريات التي تتتبع الفرضيات صراحةً أو تعتمد على نموذج عالم قابل للتدريب. ومع ذلك، لا يضع أي من الأنظمة المدروسة هدف الاستكشاف لنفسه بنفسه.
أما بقية الأنظمة فمشكلاتها متباينة. بعض الوكلاء يحسّنون في جوهرهم حيرة الرموز (perplexity) الداخلية، أي «دهشة» النموذج اللغوي من نصه هو، لا عدم اليقين تجاه العالم الحقيقي. وآخرون يكدّسون الحلقات في الذاكرة، لكنهم لا يقارنون توقعاتهم بما حدث فعلًا، فتنمو الذاكرة ولا يزداد فهم البيئة. وفئة ثالثة تبحث عن حلول فعلًا، لكن ضمن أهداف حددها الإنسان مسبقًا. وهذا مُحسِّن جيد، لا مستكشف.
ماذا يفعل المطور بهذا
تكمن الفائدة العملية للورقة في أنها تقدم قائمة تحقق وفكرة اختبارات سلوكية من نوع «الصندوق الأسود». وتساعد هذه الاختبارات على التمييز بين الاستكشاف الحقيقي والتخبط العشوائي. فإذا كان لديك وكيل يجب أن يتعلم واجهة API غير مألوفة، أو قاعدة شيفرة، أو واجهة مستخدم، فيمكنك أن تفحص: هل يصوغ فرضيات قابلة للاختبار؟ وهل يختار أفعالًا تميّز بينها؟ وهل يتغير سلوكه بعد أن يثبت خطأ أحد توقعاته؟ فإذا كان الجواب «لا»، فلن يفيدك رفع درجة الحرارة، وستذهب الرموز (tokens) هدرًا على محاولات متنوعة لكنها بلا معنى.
والخلاصة لمديري المنتجات محددة أيضًا. فادعاء «وكيلنا يستكشف بنفسه» ينبغي التحقق منه كأي ادعاء آخر: أين يُخزَّن نموذج البيئة؟ وما الذي يتحدّث تحديدًا؟ وهل يبقى بعد انتهاء الجلسة؟ وتبدو الذاكرة الخارجية التي تسجل الفرضيات ونتائج اختبارها صراحةً أساسًا هندسيًا أكثر موثوقية بكثير من التعويل على المطالبة.
القيود
هذه ورقة موقفية، لا اختبار أداء (benchmark): فلا تتضمن أرقامًا جاهزة لتحسّن الجودة، ولا تزال المعايير أقرب إلى مؤشر استرشادي منها إلى معيار قياسي. ويقرّ المؤلفون أنفسهم بأن دراسات الاستئصال (ablation) التي تميّز الاستكشاف الحقيقي من العشوائي لا تعمل مع المحوّلات (transformers) ذات الحالة الضمنية: فلا يمكن النظر إلى داخل النموذج لمعرفة ما إذا كان يبني فرضيات. وتبقى الاختبارات السلوكية الخارجية وحدها، وهي أقل دقة. وفضلًا عن ذلك، لا يحقق أحد حتى الآن شرط أن يضع الوكيل أهداف الاستكشاف بنفسه، ومن غير الواضح هل هذا الشرط مطلوب في المهام التطبيقية التي يحدد الإنسان فيها الهدف.
ومع ذلك، تكمن قيمة النص في أنه يوفر لغة للنقاش. فبدلًا من عبارة «الوكيل ليس مبدعًا بما يكفي» الفضفاضة، يمكن الآن أن نسأل: هل لديه نموذج للعالم؟ وهل يتحدّث هذا النموذج؟ وهل يُحفظ خارج السياق؟
- 30 مايو 2026كيف تختار الشبكات العصبية الرموز: logits ودرجة الحرارة وtop-p
- 2 مايو 2026شبكة عصبية للكشف عن الأجسام: كيف تخلّى الفريق عن المحوّلات
- 8 نوفمبر 2026التحقق من الحقائق أنقذ شركة من خسارة تصل إلى 100 ألف دولار من ميزانية الإعلانات
- 29 أغسطس 2026الحرارة تُربك عمل الدماغ: العلماء يبدأون في فهم السبب
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الفرق بين الفضول والعشوائية؟
يستعير المؤلفون فكرة الفضول الكلاسيكية من التعلم المعزز، وينقلونها إلى وكلاء LLM. والتشبيه اليومي بسيط. فالسائح في سوق غير مألوف قد يتجول بين الممرات عشوائيًا، وهذا يشبه أخذ العينات. وقد يحمل في ذهنه تخمينًا («ربما الخضار أرخص في الممرات البعيدة»)، فيذهب ليتحقق منه هو تحديدًا، ثم يحفظ النتيجة. والفضول هو السيناريو الثاني. ويترتب على ذلك ثلاثة أمور يعدّها المؤلفون إلزامية.
ما أبرز التفاصيل حول ما المشكلة في الوكلاء الشائعين؟
يحلل المؤلفون بعد ذلك فئات الوكلاء القائمة: وكلاء البحث، والوكلاء ذوو الذاكرة الطويلة، و«الباحثون العلميون». والخلاصة غير مبشّرة. فأربعة من المتطلبات الخمسة لا تحققها سوى المعماريات التي تتتبع الفرضيات صراحةً أو تعتمد على نموذج عالم قابل للتدريب. ومع ذلك، لا يضع أي من الأنظمة المدروسة هدف الاستكشاف لنفسه بنفسه. أما بقية الأنظمة فمشكلاتها متباينة. بعض الوكلاء يحسّنون في جوهرهم حيرة الرموز (perplexity) الداخلية، أي «دهشة» النموذج اللغوي من نصه هو، لا عدم اليقين تجاه العالم الحقيقي.
ما أبرز التفاصيل حول ماذا يفعل المطور بهذا؟
تكمن الفائدة العملية للورقة في أنها تقدم قائمة تحقق وفكرة اختبارات سلوكية من نوع «الصندوق الأسود». وتساعد هذه الاختبارات على التمييز بين الاستكشاف الحقيقي والتخبط العشوائي. فإذا كان لديك وكيل يجب أن يتعلم واجهة API غير مألوفة، أو قاعدة شيفرة، أو واجهة مستخدم، فيمكنك أن تفحص: هل يصوغ فرضيات قابلة للاختبار؟ وهل يختار أفعالًا تميّز بينها؟ وهل يتغير سلوكه بعد أن يثبت خطأ أحد توقعاته؟ فإذا كان الجواب «لا»، فلن يفيدك رفع درجة الحرارة، وستذهب الرموز (tokens) هدرًا على محاولات متنوعة لكنها بلا معنى.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
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.