في 28 أكتوبر، أعلنت Bailiing، النموذج اللغوي الكبير التابع لمجموعة Ant Group، عن فتح مصدر Ling-3.1-flash-1019 رسمياً. وقد خضعت النسخة الجديدة لمزيد من التدريب والتحسين على أساس Ling-3.1-flash، وحصلت على 44 نقطة في مؤشر الذكاء Artificial Analysis Intelligence Index v4.3.2، بزيادة 3 نقاط مقارنة بالنسخة السابقة. وفي الوقت نفسه، فتحت Bailiing مصدر نموذجها الأساسي Ling-3.1-flash-base، لتوفير أساس متين من المعرفة والاستدلال وكفاءة الحوسبة اللازمة للمهام طويلة المدى.
وفق المعلومات، تستهدف نسخة Ling-3.1-flash-1019 سيناريوهات Personal Agent، وترفع أداء النموذج في التعامل مع سير العمل المعقدة والمهام متعددة الخطوات. وتحديداً في التقييمات، ارتفعت درجة النسخة الجديدة في العمل المعرفي المعقد AA-Briefcase من نحو 1400 Elo إلى 1524 Elo، وGDPval-AA من نحو 1618 Elo إلى 1644 Elo؛ بينما ارتفعت درجة أتمتة العمليات AutomationBench-AA من 62% إلى 68%؛ وارتفعت درجة حل المسائل العلمية CritPt من 18% إلى 26%، وSciCode من 54% إلى 57%.
لاحظ المراسل أن هذه الترقيعة والفتح لمصدر نماذج Bailiing هذه المرة يرتبطان ارتباطاً وثيقاً بـ LingGuang 2.0. ففي 27 أكتوبر تماماً، تمت ترقية LingGuang 2.0 إلى «مساعد ذكاء اصطناعي شخصي قادر على إنجاز الأمور»، وبالاعتماد على قدرات مثل الذاكرة عبر الجلسات وجدولة المهام طويلة المدى والمضيف السحابي المستقل، يستطيع LingGuang متابعة المهام بشكل أكثر استباقية وإدارة شؤون الحياة المعقدة باستمرار ضمن نطاق تفويض المستخدم، وحتى إذا خرج المستخدم من المحادثة، تستمر المهام ذات الصلة في العمل. وهذا يطرح متطلبات جديدة على قدرات النموذج.
ما القدرات الجديدة التي يحتاجها النموذج للانتقال من الإجابة عن الأسئلة إلى إنجاز الأمور باستمرار؟
على عكس الإجابة الفورية عن الأسئلة، يحتاج الوكيل الشخصي الذكي إلى العمل المستمر حول هدف واحد، وهذا يتطلب من المنتج امتلاك آليات للذاكرة وجدولة المهام، كما يتطلب من النموذج الأساسي أن يكون قادراً على فهم الهدف واستخدام الأدوات ومعالجة المعلومات الجديدة ودفع المهام قدماً.
يقدم LingGuang 2.0 مثالاً على تطبيق هذه القدرات في الحياة الشخصية. فعلى سبيل المثال، تخطيط رحلة سفر لا يعني فقط إنشاء دليل رحلات، بل يتطلب أيضاً متابعة الطقس والحجوزات والتحضيرات قبل الانطلاق وفق وقت المغادرة؛ وفي مواجهة احتياجات التسوق في حادثة 11 نوفمبر (Double 11)، يجب فرز المنتجات وتنظيم القوائم وفق الميزانية والمواصفات والتفضيلات الشخصية، مع مراقبة مستمرة لتغيرات الأسعار وتنبيه المستخدم عند تحقق الشروط المتفق عليها.
في ضوء هذه الاحتياجات، تواصل Bailiing استكشاف القدرات التي يحتاجها Personal Agent من خلال تدريب النماذج وتغذية التطبيقات الراجعة. وقد روعيت هذه الاحتياجات في Ling-3.1-flash-base منذ مرحلة التصميم الأولى، إذ يعتمد النموذج بنية MoE الهجينة الخطية بإجمالي معاملات يقارب 560B، مع تنشيط نحو 25B من المعاملات لكل Token، محققاً توازناً بين سعة النموذج ومعالجة التسلسلات الطويلة وتكلفة الحوسبة لكل خطوة، بما يوفر أساساً للتدريب اللاحق الموجه نحو المهام الحقيقية.
في 47 اختبار benchmark عبر 8 مجالات، تفوق Ling-3.1-flash-base على DeepSeek-V4-Pro-Base وMiMo-V2.5-Pro-Base في 32 اختباراً، محققاً أعلى الدرجات. ومن بينها اختبارات الفهم المعرفي والاستدلال المنطقي والبرمجة والرياضيات والسياق الطويل، وهي تقابل قدرات أساسية متعددة يحتاجها المساعد الشخصي لمعالجة الشؤون المعقدة، وتشكل نقطة انطلاق مهمة لمعالجة المهام المعقدة. ووفق المعلومات، يُتاح Ling-3.1-flash-base للمطورين بأوزان أساسية BF16 ورخصة MIT، ويمكن للمطورين إجراء التدريب المسبق المستمر والتكيف المجالي والتدريب اللاحق بناءً على معرفتهم وعملياتهم وأدواتهم.
وفوق هذه القدرات الأساسية، عزز Ling-3.1-flash ونسخة 1019 اللاحقة، عبر التدريب اللاحق، قدرات الاستدلال واستخدام الأدوات والتنفيذ متعدد الخطوات باستمرار، مما حسّن أداء النموذج في سير العمل الفعلية باستمرار. ولاحظ المراسل أن Bailiing انتقلت تدريجياً من Base إلى النماذج المدربة لاحقاً، وامتد التركيز البحثي إلى كيفية اتباع الأهداف واستخدام الأدوات ودفع المهام قدماً.
ووفق المعلومات، وفي ضوء احتياجات معالجة المعلومات متعددة الوسائط في الشؤون الشخصية، درّبت Bailiing نموذجاً لغوياً بصرياً Ling-3.1-flash-VL بناءً على Ling-3.1-flash، مضيفة الفهم البصري فوق قدرات الاستدلال والتخطيط واستخدام الأدوات القائمة، وقد طُبق مسبقاً في LingGuang، وسيُطلق خارجياً لاحقاً.
من المهام الحقيقية إلى التطبيقات الحقيقية
حالياً، تعمل Bailiing على إكمال قدرات النموذج التي يحتاجها Personal Agent خطوة بخطوة. كما يجري التحقق من تطور القدرات على مستوى النموذج واستكشافها أكثر في التطبيقات. ووفق المعلومات، أجرى Ling-3.1-flash تدريب المواءمة بناءً على احتياجات وتغذية راجعة من سيناريوهات تطبيقية مثل LingGuang وآفو نسخة الأطباء، لرفع قدرات النموذج باستمرار في التعبير الاحترافي والتواصل وغيرها.
«من المهام الحقيقية إلى التطبيقات الحقيقية»، تعلن Bailiing أملها في أن ترفع، من خلال الحلقة المستمرة بين تطوير النماذج وممارسة التطبيقات، قدرة النماذج على فهم الأهداف والحفاظ على حالة المهام والتعامل مع التغيرات، وستواصل استكشاف إمكانات تطبيقية أكثر مع المطورين عبر المصدر المفتوح.
لاحظ المراسل أن Bailiing، على خوض السعي وراء حجم معاملات النموذج فقط، تولي اهتماماً أكبر لإدخال قدرات النماذج الأساسية في العمليات الحقيقية لإنجاز المهام الحقيقية. فمنذ النصف الثاني من هذا العام، سرّعت Bailiing ترقيع النماذج وتطويرها حول المصدر المفتوح والسيناريوهات الحقيقية.
وسابقاً، أطلقت Bailiing بناءً على نموذج الأساس الجديد Ling-3.0-flash نموذجاً معززاً مالياً Ling-3.0-flash-Fin ونموذجاً معززاً طبياً Ling-3.0-flash-Sante، لنقل قدرات النماذج الأساسية أكثر إلى السيناريوهات المهنية الحقيقية. ومن بينها، يدخل Ling-3.0-flash-Fin (بإجمالي معاملات 124B ومُنشَّط 5.1B) الذكاء الاصطناعي في سلسلة مهام الاستثمار والأبحاث الحقيقية، متصلاً سلسلة المهام الكاملة من البحث عن المواد إلى التحليل وصولاً إلى تشكيل نتائج البحث، ويتكافأ مع النماذج الرائدة بحجم 3T في مهام الاستثمار والأبحاث عالية الصعوبة، ويصل أداءه الشامل كوكيل مالي إلى مستوى ريادي في المصدر المفتوح؛ أما Ling-3.0-flash-Sante فينقل «الكفاءة الذكية العالية» إلى السيناريوهات الطبية، محققاً بأحجام معاملات 124B أفضل أداء في النماذج الأقل من 1.6T، وأداءً إجمالياً يعادل عدة نماذج رائدة.
هذه المقالة مقدمة من Ant Group، وقد أعادت QbitAI نشرها بإذن، وترجع الآراء إلى مؤلفها الأصلي.