أخبار ar.wedoany.com، في 24 يونيو، أطلقت شركة "تشاينا تشيانوين" رسمياً النموذج الأصلي للعالم اللغوي "Qwen-AgentWorld"، إلى جانب معيار التقييم "AgentWorldBench" الذي يغطي سبعة مجالات رئيسية للعالم اللغوي. يتوفر النموذج ومعيار التقييم للتحميل المفتوح على منصتي "Hugging Face" و"ModelScope"، وهو موجه لسيناريوهات محاكاة بيئة الوكلاء الذكيين (AI Agents)، وتدريب المهام، وتقييم القدرات.

يتمثل التموضع الأساسي لـ "Qwen-AgentWorld" في كونه "نموذج عالم لغوي"، وليس نموذجاً لغوياً كبيراً للحوار العادي. فهو يحاكي، من خلال الشكل اللغوي، التغيرات في حالة البيئة المحيطة بالوكيل الذكي، ويتنبأ بردود فعل البيئة التالية بناءً على إجراءات الوكيل وسجل التفاعلات السابقة. بالنسبة للوكلاء الذكيين، يوفر هذا النموذج مساحة تفاعل افتراضية يمكن فيها تكرار التجربة والخطأ، تُستخدم لتدريب وتقييم قدرات الوكيل على التخطيط والتنفيذ وتصحيح الأخطاء في المهام المعقدة.

يغطي "Qwen-AgentWorld" الذي تم إطلاقه سبعة مجالات تفاعل للوكلاء الذكيين، تشمل: استدعاء أدوات MCP، والبحث، والطرفية (Terminal)، وهندسة البرمجيات، وأندرويد، والويب، وأنظمة التشغيل. تشمل هذه المجالات كلاً من البيئات النصية، وبيئات الواجهات الرسومية، وبيئات تشغيل البرمجيات، مما يغطي نقاط الدخول الشائعة للمهام التي تواجه وكلاء الذكاء الاصطناعي حالياً. يمكن استخدام النموذج لمحاكاة نتائج تنفيذ الأوامر الطرفية، وردود فعل عمليات الويب، وتغيرات واجهة تطبيقات الهواتف المحمولة، وتقدم مهام هندسة البرمجيات، واستجابات البيئة بعد استدعاء الأدوات.

وفقاً للمعلومات الرسمية، تم تدريب نموذج "Qwen-AgentWorld-35B-A3B" استناداً إلى "Qwen3.5-35B-A3B-Base"، بإجمالي معاملات يبلغ 35 ملياراً، ومعاملات نشطة تبلغ حوالي 3 مليارات، ويدعم طول سياق يصل إلى 262 ألف رمز. تتضمن عملية التدريب ثلاث مراحل: ما قبل التدريب المستمر، والضبط الدقيق تحت الإشراف، والتعلم المعزز، بهدف التركيز على نمذجة البيئة منذ مراحل التدريب المبكرة، بدلاً من إضافة قدرات المحاكاة بشكل مؤقت على نموذج لغوي عام.

تم إطلاق معيار "AgentWorldBench" بالتزامن مع النموذج، لتقييم جودة المحاكاة لنماذج العالم اللغوي في بيئات تفاعلية مختلفة. يقوم هذا المعيار بتقييم نتائج الملاحظات البيئية التي يتنبأ بها النموذج من خمسة أبعاد: التنسيق، والواقعية، والاتساق، والإحساس بالواقع، والجودة، مما يساعد الباحثين على مقارنة أداء النماذج المختلفة في مهام محاكاة البيئة. تظهر صفحة "Hugging Face" أن مجموعة بيانات "AgentWorldBench" متاحة كمجموعة اختبار، وتحتوي على حوالي 2170 عينة.

لهذه النماذج أهمية مباشرة في تطوير وكلاء الذكاء الاصطناعي. تواجه عملية تدريب الوكلاء الذكيين حالياً مشكلة واقعية: ارتفاع تكلفة استدعاء البيئات الحقيقية، وتعقيد حالات المهام، وصعوبة إعادة إنتاج بيئات واجهات البرمجة (API)، والويب، والطرفية، وتطبيقات الهواتف المحمولة بشكل مستقر وعلى نطاق واسع. إذا تمكنت نماذج العالم اللغوي من محاكاة ردود فعل البيئة بدقة، يمكن للباحثين السماح للوكلاء الذكيين بإجراء تجارب متعددة ومتكررة في بيئة افتراضية، ثم نقل الاستراتيجيات المكتسبة إلى المهام الحقيقية.

يشير إطلاق "Qwen-AgentWorld" أيضاً إلى أن المنافسة في مجال النماذج الكبيرة تتحول من "الإجابة على الأسئلة" إلى "فهم البيئة والتنبؤ بتغيراتها". في الماضي، كانت النماذج الكبيرة تتنافس بشكل أساسي في المعرفة والاستدلال والقدرات التوليدية، أما في عصر الوكلاء الذكيين، فالتأكيد يكون أكثر على القدرة على الحكم على عواقب الإجراءات في التفاعلات المتعددة. تكمن قيمة نموذج العالم في بناء جسر محاكاة قابل للتدريب والتقييم والتوسع بين الإجراءات والنتائج.

ومع ذلك، لا يمكن لنماذج العالم اللغوي أن تحل محل البيئات الحقيقية. تتأثر كل من صفحات الويب وأنظمة التشغيل وتطبيقات الهواتف المحمولة واستدعاءات الأدوات بالتحديثات والأذونات وحالة الشبكة والتغيرات في الخدمات الخارجية، ويجب التحقق من نتائج المحاكاة من خلال سيناريوهات حقيقية. يعتبر "Qwen-AgentWorld" أكثر ملاءمة ليكون بنية تحتية لتدريب وتقييم الوكلاء الذكيين، بهدف تقليل تكاليف التجربة والخطأ، وتوسيع نطاق التغطية البيئية، واكتشاف نقاط ضعف الوكلاء، بدلاً من أن يكون معادلاً مباشراً لتشغيل النظام الحقيقي.

مع الإطلاق المتزامن للنموذج ومعيار التقييم، يمكن للمطورين إجراء تقييمات ثانوية وضبط دقيق حول سيناريوهات مثل الطرفية، وهندسة البرمجيات، وتطبيقات الهواتف المحمولة، والبحث، واستدعاء الأدوات. لكي ينتقل وكلاء الذكاء الاصطناعي من مرحلة العرض التوضيحي إلى مرحلة الاستخدام العملي، لا غنى عن محاكاة بيئية أكثر استقراراً، ومعايير تقييم قابلة لإعادة الإنتاج، وحلقة تدريب مغلقة موجهة نحو المهام الحقيقية. يأتي "Qwen-AgentWorld" ليسد هذه الفجوة من خلال توفير قاعدة أدوات جديدة.

تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com