بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
نماذج اللغة الكبيرة تتحسّن عبر التدريب المسبق، وما بعد التدريب، وموارد الاستدلال في وقت الاستخدام — لكن فريقاً بحثياً من ستانفورد وUC بيركلي وMIT يقترح محوراً رابعاً لم يكن على الخريطة: التحقق من صحة الإجابات. الورقة البحثية LLM-as-a-Verifier التي قدّمها جاكي كووك ورفاقه في يوليو 2026 تُثبت أن جودة التحقق قابلة للقياس والتحسين المستقل، وأن تحسينها ينعكس مباشرةً على دقة النماذج في المهام المعقدة.
المشكلة التي يعالجها الإطار واضحة لمن يبني وكلاء ذكاء اصطناعي: النماذج القائمة تصدر حكماً ثنائياً أو درجةً صحيحة/خاطئة على مخرجات الوكلاء، مما يُفقد الكثير من الدقة التشخيصية. LLM-as-a-Verifier يكسر هذا القيد بحساب القيمة المتوقعة عبر توزيع لوجيتات رموز التقييم بدلاً من الاكتفاء بالرمز الأعلى احتمالاً، فتنتج درجات مستمرة لا ثنائية، مما يُمكّن من التمييز بين الحلول الجيدة والسيئة بدقة أعلى بكثير — وكل ذلك دون الحاجة إلى أي تدريب إضافي.
الإطار يقترح ثلاثة أبعاد متداخلة لتوسيع نطاق التحقق (وفقاً للورقة البحثية):
- دقة التقييم (Score Granularity): توسيع نطاق الدرجات من ثنائي إلى مستمر يُحسّن الفصل بين الحلول الإيجابية والسلبية، وينتج مقارنات أكثر معايرةً وموضوعية.
- تكرار التقييم (Repeated Evaluation): تشغيل التحقق عدة مرات على الحل الواحد يُخفّض التباين في النتائج ويرفع دقة القرار تراكمياً في كل جولة إضافية.
- تفكيك المعايير (Criteria Decomposition): تقسيم معيار التقييم المركّب إلى معايير فرعية أبسط يُخفّض تعقيد المهمة على النموذج ويرفع دقة الحكم الإجمالي.
أرقام الأداء التي يُسجّلها الإطار على المعايير الرئيسية تستحق التوقف. على Terminal-Bench V2 وصلت دقة التحقق إلى 86.5%، وعلى SWE-Bench Verified إلى 78.2%، فيما حقق الإطار 87.4% على RoboRewardBench و73.3% على MedAgentBench — متصدراً الحالة الفنية الراهنة في جميع هذه المعايير (وفقاً للورقة البحثية).
إلى جانب التحقق المباشر، طوّر الفريق خوارزمية ترتيب منخفضة التكلفة تستخدم الدرجات المستمرة لاختيار الحل الأفضل من بين مجموعة مرشحين، دون الحاجة إلى تشغيل النموذج على كل مرشح بالتوازي. وأثبت الإطار كذلك قدرته على تقدير تقدم المهمة لا مجرد الحكم على نهايتها، مما فتح الباب لاستخدامه أداةً لرصد الوكلاء في الزمن الفعلي.
التطبيق العملي الأبرز هو امتداد Claude Code الذي بناه الفريق فوق الإطار، ويُتيح للمطورين مراقبة وكلاء الكود الخاصة بهم وتحسين أدائها بناءً على إشارات التحقق المستمرة — وهو تطبيق مباشر لأي مطوّر يبني سير عمل وكلاء اليوم. وتجدر الإشارة إلى أن علي بابا حظرت Claude Code على موظفيها مؤخراً، مما يُظهر أن أدوات مراقبة الوكلاء باتت ذات حساسية استراتيجية حقيقية.
أبعد من التحقق، يُقدّم الإطار خدمةً أخرى: توفير إشارات تعزيز كثيفة (Dense Feedback) لخوارزميات التعلم المعزّز. التجارب أظهرت تحسّناً في كفاءة العيّنات لخوارزميتي SAC وGRPO على معايير الروبوتيكس والاستدلال الرياضي على حدٍّ سواء، مما يجعل الإطار أداةً مزدوجة: للتقييم وقت الاستدلال، وللتحسين وقت التدريب.
ما يُميّز هذا العمل عن كثير من الأبحاث المماثلة هو الجمع بين ثلاث خصائص نادراً ما تجتمع: لا يتطلب تدريباً إضافياً، يعمل عبر نطاقات مختلفة (كود، روبوتيكس، طب، رياضيات)، ويُقدّم مكاسب قابلة للقياس وقابلة للتوسع في آنٍ واحد. إن صمدت هذه النتائج أمام التكرار المستقل، فإن التحقق قد يُضاف فعلاً إلى قائمة محاور التحسين الأساسية لبناة أنظمة الذكاء الاصطناعي.
