باحثون يحسنون أداء الوكلاء الرقميين بتوليد الإجابات قبل الأسئلة

قدم باحثون نظام ToolGrad الذي يعكس الطريقة التي يتعلم بها وكلاء الذكاء الاصطناعي استخدام الأدوات الرقمية مثل محركات البحث ومديري الملفات. فبدلاً من البدء بطلب المستخدم والبحث عن حل، يقوم هذا الإطار بتوليد سلسلة ناجحة من إجراءات الأدوات أولاً. ثم يستخدم هذه السلسلة لإنشاء تعليمات المستخدم المقابلة لها. حقق هذا النهج معدل نجاح يقارب 100 بالمئة في توليد بيانات التدريب.

طبق الفريق هذه الطريقة لضبط نماذج Gemma-3. وفي الاختبارات على لوحة صدارة Berkeley Function Calling، سجلت نسخة من النموذج بحجم 12 مليار بارامتر 83.1 نقطة. هذا الأداء يضعه بالقرب من النماذج التجارية المتقدمة مثل gemini-2.5-pro و claude-4.5 Opus.

يعتمد ToolGrad على عملية من أربع مراحل لاقتراح واجهات برمجة التطبيقات، وتنفيذها، واختيار أفضل الخيارات من خلال التغذية الراجعة النصية، وتحديث الاستجابة النهائية. وأشار الباحثون إلى أن هذه الطريقة يمكن أن تساعد النماذج مفتوحة المصدر الأصغر على التفوق على الأنظمة الأكبر المستخدمة في تدريبها.

تركز الدراسة حالياً على مكتبات الأدوات الموجودة. لم يقم الباحثون بعد بتوسيع نطاق الإطار ليشمل بيئات واجهات برمجة التطبيقات الديناميكية الواقعية التي تتغير باستمرار، كما لم يختبروا قدرته على إجراء تعلم شخصي طويل الأمد للمستخدمين الأفراد.