Jay من 凹非寺
量子位 | حساب QbitAI الرسمي
الإنجاز الجديد من جوجل في مجال RSI أصبح مفتوح المصدر.
يُدعىHarness²ويتيح للنماذج اللغوية الكبيرة أثناء التشغيل أن تعدّل لنفسها من تلقاء نفسها أكواد الإضافات الخارجية، وموجّهات النظام، وسلاسل الأدوات، ومكتبات المهارات.
نعم، إنه RSI على مستوى الـ Harness.
والنتائج مذهلة أيضاً.
فالنموذج GLM-5 المجهّز بهذه التقنية المتخصصة في RSI ارتفع مباشرةً في معيار المكاتب WorkBench-Bench بمقدار11.5 نقطة——
متجاوزاً بذلك في لحظة النموذج الأصلي Gemini 3.5 Flash.
باختصار، إنها إضافة خارجية جنونية لأي غرض، أي نموذج يركّبها ترتفع نتائجه في الاختبارات فوراً.
وفي الوقت الحالي، تم فتح المشروع بالكامل كمصدر مفتوح، وهو يدعم بالفعل OpenCode وCodex.
لماذا تفشل فكرة "تغيير الذات من تلقاء نفسها" دائماً؟
في الماضي، سعى المختصون لجعل الوكلاء (Agents) أذكى عبر مبادرات عديدة للتحسين الذاتي التكراري (Recursive Self-Improvement، واختصاراً RSI).
الفكرة تبدو رائعة على الورق: أن يكتب الذكاء الاصطناعي أكواده بنفسه، ويعدّل موجّهاته بنفسه، ويحسّن أنظمته بنفسه. لكن بمجرد وضعه في العالم المفتوح الحقيقي، يفشل عبر التاريخ تقريباً.
لماذا؟
السبب الرئيسي هو عقدتان قاتلتان:
غياب الإجابة المعيارية.
في المختبرات، عند حل التمارين توجد اختبارات وحدة، وGround Truth يخبرك إن كنت محقاً أم لا. لكن في سيناريوهات العمل الحقيقية، عند كتابة دراسة جدوى تجارية أو مراجعة عقد قانوني، لا أحد على الإنترنت يمنحك تقييماً.
إذا عدّل الذكاء الاصطناعي بنفسه نسخة من الـ Prompt، فكيف يعرف إن كان التعديل جعله أذكى أم جعله يهرّئ؟
الملاءمة الزائدة لمهمة واحدة.
بعد عناء تعديل الهيكل الداعم (Scaffold) لإصلاح مهمة معينة، تأتي المهمة التالية وهي كتابة برنامج زحف (Crawler)، فتتحول كل القواعد المعدّلة سابقاً إلى عبء ثقيل.
إذا طُبّق الهيكل المعدّل مباشرةً على المهمة التالية، يقع النظام سريعاً في حلزون الضجيج، ويزداد غباءً كلما عدّل أكثر.
أما Harness² الذي اقترحه فريق جوجل هذه المرة، فهو موجّه خصيصاً لمعالجة هاتين العقدتين القاتلتين.
لقد بنوا منظومةمعمارية تكرارية ثنائية الطبقات。
تكرار ثنائي الطبقات: اليد اليسرى تُجري التجارب، واليمنى تدوّن الملاحظات
المقصود بـ"التربيع" في اسم Harness² هو حلقتا تكرار متداخلتان فيما بينهما:العودية على مستوى المهمة(Task-level) والعودية على مستوى التحسين(Harnessing-level).
المستوى الأول،العودية على مستوى المهمة: إجراء تجارب مقارنة في غياب إجابة معيارية.
عند مواجهة هذه المهمة الجديدة، يُشغّل النظام أولاً إصداراً مرجعياً من المسار باستخدام الهيكل الأولي، ولا يهم في البداية ما إذا كانت نتائج هذا الإصدار صحيحة، فالجوهر هو ملاحظة ما هي العيوب التي يُظهرها النموذج أثناء التنفيذ.
بعد ذلك مباشرةً، يُطلق آلية تُسمىPropose–Probe–Compose (الاقتراح-الاستكشاف-التركيب) :
Propose (الاقتراح)：
يقوم بها دور تحريري متخصص بطرح خيارين للتعديل بشأن المسار السابق.
الطقم الأول هو "الإصلاح العام للعيوب" (Invariant)، متخصص في التقاط المشاكل المشتركة عبر المجالات، مثل الفوضى في التخطيط، وحلقات التكرار الميتة في استدعاء الأدوات، وانفجار السياق؛
والطقم الثاني هو "الإصلاح الخاص بالمجال" (Domain)، متخصص في المعرفة والقيود المحددة لعمل الشركة الحالي.
الاستكشاف (Probe)：
يُعاد وضع هذين الهيكليين المرشحين المعدَّلين في نفس المهمة وتشغيلهما كلٌّ على حدة.
لا مشكلة في غياب الحَكَم؛ فالنظام يلتقط مسارات تنفيذها ويقارنها سلوكياً مع المسار المرجعي (Behavioral Contrast). لمعرفة ما إذا كان التعديل قد حلّ فعلاً الخطوة التي كانت عالقة، وهل أثار تدهوراً منطقياً جديداً.
التركيب (Compose)：
يضع المُركِّب كل أدلة التنفيذ معاً، ويختار تلك التعديلات التي أثبتت فعاليتها فعلاً بالأدلة السلوكية، ثم يدمجها في هيكل التنفيذ النهائي.
وهذا ليس كل شيء. فهو يدعم أيضاً التوسع المتوازي (Parallel Recursion)، إذ ينشر دفعة واحدة $k$ من الحلول المرشحة للاستكشاف المتزامن، ويركّب الأفضل من فضاء استكشاف أوسع.
مذهل.
الطبقة الثانية،التحسين التراكمي: تحويل خبرة تعديل الهياكل إلى قدرة فوقية.
عند انتهاء المهمة الحالية وتسليم المخرجات، تنتهي دورة حياة كثير من الأنظمة عند هذا الحد.
لكن القوة الحقيقية لـ Harness² تأتي فيما بعد —
تسليم سجل التصحيح بأكمله (المسار المرجعي، التعديلات المرشحة، أدلة المقارنة، قرارات التركيب) إلى وحدة التأمل (Experience Reflector).
بعد أن تراجع وحدة التأمل ما حدث، تكتب ملف EXPERIENCE.md يوثّق بوضوح لماذا أُجري هذا التعديل، وفي أي الظروف أثمر، وما النتائج التي ترتبت عليه، وتخزّنه فيمكتبة خبرات التحسين المستمر(Harness Improvement Library).
وحين تصل المهمة الجديدة التالية:
يستلم طرف التنفيذ، كما هو معتاد، هيكلاً أساسياً نظيفاً تماماً.
لكن "الدماغ المُحسِّن" المسؤول عن تعديل الهياكل صار بيده دليل خبرات تاريخي ضخم. في مرحلتي الاقتراح والتركيب، يستطيع مباشرة استرجاع المكونات الفعالة وأدلة تجنّب الفخاخ من سيناريوهات سابقة مماثلة.
المُحسَّن ليس فقط الهيكل الحالي، بل أيضاً القدرة على تحسين الهياكل في المستقبل.
وهكذا يتحول الإصلاح المؤقت للمهمة الواحدة إلى أصل معرفي للتعلّم مدى الحياة.
اختبارات الأداء الفعلية
مهما بدا رقمُ الآلية جميلاً، فإن الحكم النهائي يبقى لبيانات ساحة المعركة الحقيقية.
اختار الفريق مباشرة ثلاثة معايير مهنية صلبة بالغة الوزن:
WorkBuddy-Bench: يغطي ثلاثة مسارات عمل مكتبية بالغة الصعوبة: البرمجة (Code)، والويب (Web)، وحزم المكتب (Office)؛
JobBench: مهام مهنية معقدة طويلة المدى من طرف إلى طرف؛
LAB: المعيار الرائد للوكلاء القانونيين مفتوح المصدر من Harvey.
اختاروا كنموذج أساسGemini 3.5 FlashوGLM-5، بينما اختار سقالة التنفيذ من الأدوات مفتوحة المصدر السائدةOpenCodeوCodex。
وكانت النتائج مذهلة للغاية.
في اختبار WorkBuddy-Bench، مع تحسين وحيد الخطوة Harness² فقط ($k=1$):
ارتفعت النتيجة الإجمالية لـ GLM-5 تحت OpenCode من 64.2 إلى 75.7 بشكل صاروخي، بزيادة قدرها 11.5 نقطة؛ وتحت Codex قفزت أيضًا من 64.4 إلى 75.3.
Gemini 3.5 Flashتحسّن تحت OpenCode من 72.4 إلى 77.5، وتحت Codex من 74.5 إلى 77.5.
انظر إلى هذه البيانات:
GLM-5 مع السقالة المحسّنة (75.7 نقطة / 75.3 نقطة)تفوّقت مباشرةً على Gemini 3.5 Flash الأصلي بسقالته غير المعدّلة (72.4 نقطة / 74.5 نقطة)。
في JobBench، وهو معيار المهام من البداية إلى النهاية، أدّى التحسّن أحادي الخطوة أيضًا إلى تحسّن شامل؛ فقد ارتفع Gemini 3.5 Flash بمقدار4.5 نقطةوارتفع GLM-5 بمقدار3.6 نقطة؛ وعلى المعيار القانوني LAB، قفز معدل النجاح الجزئي لـ GLM-5 بمقدار11.8 نقطة مئوية。
وإذا رُفعت ميزانية التوازي إلى $k=5$ (5 مسارات مرشحة متزامنة)، فإن الأداء يرتفع أكثر: يزيد WorkBuddy-Bench بمقدار إضافي يصل إلى3.9 نقطةوJobBench يزيد بمقدار4.2 نقطةومعدل نجاح LAB يزيد بمقدار6.7 نقطة مئوية。
والأكثر إثارة هو اختبار النقل عبر المجالات لمكتبة الخبرة.
قام الفريق بنقل مكتبة الخبرة المتراكمة من تشغيل المهام على JobBench مباشرةً لاستخدامها على WorkBuddy-Bench، ومن دون أي استكشاف إضافي على الإطلاق، حقّق ذلك زيادة بلا ألم بمقدار +0.6 في البرمجة و+0.5 في الويب و+2.9 في الأعمال المكتبية.
خلال العامين الماضيين، كانت توقعات الجميع من الذكاء الاصطناعي راهنة بالكامل تقريبًا على "توسيع نطاق النماذج الأساسية"، على قناعة راسخة بأن مجرد انتظار الجيل القادم من GPT أو الجيل القادم من Gemini سيحلّ مشكلات التطبيقات القائمة.
لكن الواقع صفح الجميع العاملين في هذا المجال بماء بارد: النماذج الأساسية تزداد تكلفة، والعائد الحديدي يتباطأ، بينما الأخطاء الطويلة الذيل في سيناريوهات التطبيق الفعلي لا تزال بلا نهاية.
مهما وسّعت نافذة السياق للنموذج، فإنه يظل يتكاسل في معالجة التسويات عبر الملفات؛ ومهما رفعت درجاته في الاختبارات، فإنه لا يقوم تلقائيًا بفتح الملفات للتحقق من التنسيق بعد الانتهاء من كتابة التقرير.
هذه الأمور، لا يمكن إشباعها أبدًا عبر معاملات التدريب المسبق.
بل تحتاج إلى نظام قادر على الإدراك الذاتي والإصلاح الذاتي والتطور المستمر أثناء التشغيل، وهوهندسة الإدراك في زمن التشغيل。
في السابق، عندما كنا نبني الهياكل المساندة، كان المهندسون يجلسون أمام الحواسيب يكتبون الـ Prompt يدويًا واحدًا تلو الآخر، ويضبطون الأدوات، ويصلحون خطوط المعالجة، فيتعبون حتى الموت ومع ذلك تتسرب الأمور من كل مكان.
الآن أثبت Harness² طريقًا جديدًا:
إعادة سلطة وضع القواعد إلى الـ Agent نفسه.
مؤلفو الورقة البحثية
وأخيرًا، كالعادة، لنتحدث عن مؤلفي الورقة البحثية.
إنهم 9 مؤلفين في المجموع، ونسبة الصينيين بينهم مرتفعة للغاية، إذ تبلغ 78% ...
ونظرًا لمحدودية مساحة المقال، سنقدّم ثلاثة منهم بالترتيب.
Ruiyao Xuهو المؤلف الأول للورقة والمؤلف المرسل للمراسلات.
طالب دكتوراه في قسم الإحصاء وعلوم البيانات بجامعة نورث وسترن الأمريكية، وإشرافه Kaize Ding.
تتركز اهتماماته البحثية بشكل رئيسي في النماذج اللغوية الكبيرة، وتعلّم الآلة على الرسوم البيانية، واكتشاف الشذوذ، وأنظمة وكلاء الذكاء الاصطناعي.
وهذه الورقة البحثية هي ثمرة عمله خلال فترة تدريبه في Google.
Yanfei Chenمهندس أبحاث أول في Google Cloud AI Research.
تخرج في البكالوريوس من جامعة بكين متخصصًا في الهندسة الكهربائية والاقتصاد، وحصل على درجة الدكتوراه في الهندسة الصناعية من جامعة بيتسبرغ الأمريكية عام 2018.
بعد ذلك عمل مهندس أبحاث في شركة التعلم الآلي Qeexo، وانضم إلى Google عام 2020، وشارك في مشاريع مثل Vertex AI Search وGemini Enterprise Deep Research، وتركز أبحاثه على وكلاء النماذج اللغوية الكبيرة والتوليد المعزز بالاسترجاع وتعلم الأدوات.
Zhongying CuiZhuوالتي تُعرف أيضًا باسم Zoey CuiZhu، مهندسة أبحاث في Google Cloud AI Research.
حصلت على درجة الدكتوراه في الهندسة الكهربائية من جامعة ستانفورد عام 2019، وتتركز أبحاثها على الوكلاء العموميين والوكلاء القابلين للتحقق وتقييم جودة الوكلاء.
روابط مرجعية:
[1] https://arxiv.org/html/2610.14224v1