بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارOpenAI Blog→ المصدر

OpenAI تلخّص نتائج Parameter Golf: كيف يغيّر وكلاء البرمجة الأبحاث في تعلّم الآلة

أعلنت OpenAI نتائج Parameter Golf، وهو تحدٍّ مفتوح في تعلّم الآلة يفرض حدًّا قدره 16 ميغابايت للمُخرَج الواحد (artifact) و10 دقائق من التدريب على 8xH100. شارك في المسابقة أكثر من 1000 شخص قدّموا ما يزيد على 2000 عمل. الخلاصة الرئيسية أن وكلاء البرمجة المدعومين بالذكاء الاصطناعي خفّضوا عتبة الدخول بشكل حاد، وسرّعوا التجارب بوضوح، وولّدوا في الوقت نفسه مشكلات جديدة تتعلق بنسبة الأعمال إلى أصحابها ومراجعتها وصحة المشاركات المقدَّمة.

معالج بواسطة الذكاء الاصطناعي من OpenAI Blog؛ بتحرير Hamidun News
OpenAI تلخّص نتائج Parameter Golf: كيف يغيّر وكلاء البرمجة الأبحاث في تعلّم الآلة
المصدر: OpenAI Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليOpenAI Blog ↗
رئيس التحرير
ضبط التدريبجمع المشاركون تحسينات سبق اكتشافها وحققوا خطأً أقل دون تغيير الفكرة الأساسية.
التكميم (quantization)دخل المسابقة للمرة الأولى وبشكل واثق GPTQ-lite وfull Hessian GPTQ كوسيلتين لضغط الأوزان بقوة أكبر بعد التدريب.
التكيّف أثناء التقييماستخدمت بعض الأعمال test-time LoRA وأساليب مشابهة مع البقاء ضمن القواعد الرسمية.

أعلنت OpenAI نتائج Parameter Golf، وهي مسابقة مفتوحة في تعلّم الآلة دفعت المشاركين إلى البحث عن حلول غير تقليدية ضمن قيود صارمة جدًّا. وخلال ثمانية أسابيع جذب التحدي أكثر من 1000 مشارك وما يزيد على 2000 مشاركة (submission)، فيما كانت المفاجأة الكبرى هي مدى التغيير الذي أحدثه وكلاء الذكاء الاصطناعي في عملية البحث نفسها.

كيف صُمّم التحدي

لم تكن فكرة Parameter Golf بسيطة إلا على الورق. كان على المشاركين تقليل خسارة held-out على مجموعة بيانات FineWeb الثابتة، مع الالتزام بحد أقصى قدره 16 ميغابايت للمُخرَج كاملًا، أي أوزان النموذج مع كود التدريب. وأضيف قيد آخر: ألّا يستغرق التدريب أكثر من عشر دقائق على ثمانية مسرّعات H100. اختارت OpenAI هذه الإعدادات عمدًا كي تبقى المهمة قابلة للتحقق دون أن تنحصر في مجرد تجريب عشوائي شامل للاحتمالات.

قدّم المنظمون baseline ومجموعة البيانات وسكربتات التقييم، واستقبلوا المشاركات عبر GitHub. بفضل ذلك لم تقتصر المسابقة على باحثي المختبرات الكبرى، بل انفتحت أيضًا أمام المطوّرين المستقلين القادرين على التجريب السريع وبناء تحسينات متقنة فوق أفكار الآخرين. وتشير OpenAI بشكل خاص إلى أن هذه الصيغة أثبتت فعاليتها أداةً للعثور على مهندسين أقوياء: فهي تكشف لا المعرفة النظرية فحسب، بل أيضًا الذائقة البحثية والمثابرة والانضباط.

ماذا اكتشف المشاركون

لم تأتِ أقوى النتائج من فكرة سحرية واحدة، بل من مجموعة كبيرة من القرارات التقنية الدقيقة. فقد استخرج بعضهم جودة أعلى من مكوّنات معروفة عبر الضبط الدقيق للمُحسِّن (optimizer) والتهيئة الأولية وجداول التدريب. وركّز آخرون على الضغط لإدخال النموذج ضمن حد الحجم الصارم. وظهرت كذلك أعمال على حافة المسموح، حيث كاد تحسين النموذج يمتزج باستراتيجية التقييم، ما اضطر المنظمين إلى التحقق على نحو منفصل مما إذا كانت هذه الأساليب تخرق روح القواعد.

  • ضبط التدريب: جمع المشاركون تحسينات سبق اكتشافها وحققوا خطأً أقل دون تغيير الفكرة الأساسية.
  • التكميم (quantization): دخل المسابقة للمرة الأولى وبشكل واثق GPTQ-lite وfull Hessian GPTQ كوسيلتين لضغط الأوزان بقوة أكبر بعد التدريب.
  • التكيّف أثناء التقييم: استخدمت بعض الأعمال test-time LoRA وأساليب مشابهة مع البقاء ضمن القواعد الرسمية.
  • تمثيلات جديدة للبيانات: ظهرت محلّلات رموز (tokenizers) غير تقليدية وطرق لمراعاة حالة الأحرف أو البنية البايتية للنص دون فقدان.
  • حلول معمارية: جرّب المشاركون صيغًا جزئية من attention، وسمات تجزئة (hash features) للرموز المجاورة، بل وإعادة استخدام الطبقات كآلية تكرارية.

وأبرزت OpenAI على وجه الخصوص nonrecord track، وهو مسار أكثر تجريبية كانت فيه الجرأة التقنية أهم من الترتيب المطلق في الجدول. ظهرت هناك أفكار مثل نماذج فضاء الحالة (state-space) المقترنة بـ JEPA، وGuided Attention، وbyte-level H-Net، ونمذجة النص غير الانحدارية الذاتية، والتجزئة الديناميكية للرموز. ولم يكن هذا المسار شكليًّا: فقد تجاوز نصف المشاركات فيه baseline الساذج البالغ 1,22 BPB، وبلغ أفضل نتيجة 1,12 BPB. وهذه إشارة مهمة إلى أن المقاربات البديلة لا تزال قادرة على المنافسة حتى في مواجهة baselines قوية قائمة على المحوّلات (transformers).

كيف أثّر وكلاء الذكاء الاصطناعي

الفارق الرئيسي بين Parameter Golf والمسابقات المشابهة في السنوات الماضية هو الاستخدام الواسع لوكلاء البرمجة (coding agents). وبحسب OpenAI، ذكرت الغالبية الساحقة من المشاركين أنها عملت مع وكلاء. وقد خفّض ذلك عتبة الدخول بشكل حاد: صار أسهل على الناس إعداد البيئة وفهم كود غير مألوف واختبار فرضية بسرعة وإعداد مشاركة صالحة للعمل دون روتين يدوي طويل. وساعدت البنية التحتية أيضًا: فقد وفّر برنامج الرعاية من RunPod للمشاركين موارد حوسبة بقيمة 1 مليون دولار، فتمكّن عدد أكبر من الناس من التجريب.

لكن مع السرعة جاءت الضوضاء. فكثير من المشاركات الجديدة لم تكن اختراقات مستقلة، بل تنويعات صغيرة فوق حلول ناجحة سلفًا. وهذا بحد ذاته ليس مشكلة، فالأفكار الجيدة ينبغي أن تنتشر بسرعة. المشكلة في أمر آخر: إذا لفتت حيلة قوية لكنها غير صالحة (invalid) الأنظار مرة، بدأ وكلاء آخرون بنسخها وتوسيع نطاقها، مواصلين السير في مسار خاطئ. ولهذا أصبح التحقق ونسبة المساهمة إلى أصحابها والتسجيل الصحيح للنقاط أصعب بوضوح مما كان عليه في المسابقات السابقة لعصر البرمجة الوكيلية.

وغيّر تدفق الأعمال الجانب التشغيلي للمسابقة أيضًا. ففي بعض الأيام كانت تصل مئات المشاركات، فتوقّف الفرز اليدوي عن العمل. لذلك بنت OpenAI بوت triage داخليًّا قائمًا على Codex، يتابع المشاركات الجديدة ويرفع إشارات للمراجعة اليدوية. وأصبح وكلاء الذكاء الاصطناعي كذلك جزءًا من المجتمع: فقد أدار أحد المشاركين مع وكيله نشرة تحديثات مباشرة حول لوحة المتصدرين، وظهرت حول المسابقة أدوات ساعدت المبتدئين على فحص أفكارهم للتأكد من توافقها مع القواعد.

ماذا يعني ذلك

أظهر Parameter Golf أن البحث بمساعدة الذكاء الاصطناعي أصبح ممارسة قائمة وليس فرضية جميلة. فالوكلاء يسرّعون الدخول إلى تعلّم الآلة ويخفضون كلفة التجارب ويوسّعون دائرة المشاركين، لكنهم يغيّرون في الوقت نفسه آلية المسابقات العلمية ذاتها. وإذا تكررت مثل هذه الصيغ، فسيتعين على المنظمين تصميم لا المهمة وحدها، بل أيضًا منظومة للتصفية والمراجعة والمحاسبة العادلة على المساهمات، في عالم لم يعد فيه الكود يكتبه شخص واحد في أغلب الأحيان.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف صُمّم التحدي؟

لم تكن فكرة Parameter Golf بسيطة إلا على الورق. كان على المشاركين تقليل خسارة held-out على مجموعة بيانات FineWeb الثابتة، مع الالتزام بحد أقصى قدره 16 ميغابايت للمُخرَج كاملًا، أي أوزان النموذج مع كود التدريب. وأضيف قيد آخر: ألّا يستغرق التدريب أكثر من عشر دقائق على ثمانية مسرّعات H100. اختارت OpenAI هذه الإعدادات عمدًا كي تبقى المهمة قابلة للتحقق دون أن تنحصر في مجرد تجريب عشوائي شامل للاحتمالات. قدّم المنظمون baseline ومجموعة البيانات وسكربتات التقييم، واستقبلوا المشاركات عبر GitHub.

ما أبرز التفاصيل حول ماذا اكتشف المشاركون؟

لم تأتِ أقوى النتائج من فكرة سحرية واحدة، بل من مجموعة كبيرة من القرارات التقنية الدقيقة. فقد استخرج بعضهم جودة أعلى من مكوّنات معروفة عبر الضبط الدقيق للمُحسِّن (optimizer) والتهيئة الأولية وجداول التدريب. وركّز آخرون على الضغط لإدخال النموذج ضمن حد الحجم الصارم. وظهرت كذلك أعمال على حافة المسموح، حيث كاد تحسين النموذج يمتزج باستراتيجية التقييم، ما اضطر المنظمين إلى التحقق على نحو منفصل مما إذا كانت هذه الأساليب تخرق روح القواعد.

ما أبرز التفاصيل حول كيف أثّر وكلاء الذكاء الاصطناعي؟

الفارق الرئيسي بين Parameter Golf والمسابقات المشابهة في السنوات الماضية هو الاستخدام الواسع لوكلاء البرمجة (coding agents). وبحسب OpenAI، ذكرت الغالبية الساحقة من المشاركين أنها عملت مع وكلاء. وقد خفّض ذلك عتبة الدخول بشكل حاد: صار أسهل على الناس إعداد البيئة وفهم كود غير مألوف واختبار فرضية بسرعة وإعداد مشاركة صالحة للعمل دون روتين يدوي طويل. وساعدت البنية التحتية أيضًا: فقد وفّر برنامج الرعاية من RunPod للمشاركين موارد حوسبة بقيمة 1 مليون دولار، فتمكّن عدد أكبر من الناس من التجريب. لكن مع السرعة جاءت الضوضاء.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…