Imbue تفتح Darwinian Evolver لتحسين الأكواد بالذكاء الصناعي
أعلنت شركة Imbue عن فتح مصدر أداة Darwinian Evolver، التي تعتمد على التطور المدفوع بنماذج اللغة الكبيرة لتحسين الأكواد والمحفزات تلقائياً، وحققت نتيجة قياسية بلغت 95% في اختبار ARC-AGI-2.
تفاصيل الخبر
كشفت Imbue عن إتاحة أداة Darwinian Evolver كمشروع مفتوح المصدر، وهي أداة تستخدم منهج “التطور الدارويني” المدعوم بنماذج اللغة الكبيرة (LLMs) كآلية عامة لتحسين الأكواد وأنظمة الوكلاء الذكيين والمحفزات النصية.
وقد أثبتت الأداة فعاليتها بتحقيق أداء متقدم بلغ 95% في اختبار ARC-AGI-2، متجاوزة قدرات النموذج الأساسي المستخدم في التشغيل الأحادي.
تعتمد الفكرة على إنشاء “سكان” من الحلول البرمجية، ثم تكرار عملية:
- اختيار كود “أب” بناءً على درجة الأداء.
- توليد تعديلات ذكية عبر نموذج لغوي كمُحوِّر (Mutator).
- تقييم النسخ الجديدة ومنحها درجة ملاءمة.
- إعادة إدخال أفضل النسخ إلى دورة التطوير.
وتتميز الأداة بعدة عناصر متقدمة:
- دعم تقييم يعتمد على بيانات تدريب منفصلة عن بيانات القياس لتجنب التخصيص المفرط.
- استخدام آلية “سجل التعلم” لتتبع أثر كل تعديل على الأداء.
- تطبيق “التحقق بعد الطفرة” لتصفية التعديلات غير المفيدة قبل التقييم الكامل.
- دعم الطفرات المتقاطعة لدمج أفضل الأفكار من أكثر من حل.
- اعتماد تدريب واعٍ بالتكميم لإنتاج تمثيلات INT8 عالية الكفاءة.
وتؤكد الشركة أن هذه المقاربة لا تتطلب أن يكون فضاء الحلول قابلاً للاشتقاق الرياضي، ما يجعلها مناسبة لمهام معقدة مثل تحسين الأكواد وسلاسل الوكلاء الذكيين، حيث تكون الأنظمة غير خطية ويصعب تحسينها بالطرق التقليدية.
الأهداف المستقبلية
تسعى Imbue إلى جعل التطور المدفوع بالذكاء الاصطناعي أداة عامة لتحسين البرمجيات وأنظمة الوكلاء.
- تمكين تحسين شامل للأنظمة بدلاً من تحسين محفز واحد بمعزل عن بقية المكونات.
- تقليل الجهد اليدوي في ضبط الأنظمة المعتمدة على LLM.
- تعزيز أداء مهام الاستدلال المعقدة مثل ARC-AGI.
- دعم تطوير وكلاء برمجيين ذاتيي التحسين.
- توسيع نطاق الاستخدام ليشمل تطبيقات متنوعة في البحث والهندسة البرمجية.
وتشير الشركة إلى أن عملية التطور مفتوحة من حيث المبدأ، ولا يوجد حد نظري للتحسن طالما توفرت بيانات تقييم ووقت كافٍ للتكرار.
في الختام، يمثل Darwinian Evolver توجهاً جديداً نحو استخدام نماذج اللغة ليس فقط لتوليد الأكواد، بل لتحسينها ذاتياً عبر عملية تطورية منظمة. كما يعكس هذا النهج انتقال الذكاء الاصطناعي من أداة مساعدة إلى محرك تحسين عام للأنظمة البرمجية المعقدة.
