ورقة بحثية جديدة قد تعيش معنا طويلا: الذكاء الاصطناعي لا يحتاج لـ (Fine-tuning) ليصبح أذكى؛ يحتاج شيئا آخر
أطلقت ستانفورد إطار عمل ACE (Agentic Context Engineering) يحول جوهر التحسين من إعادة تدريب النموذج إلى هندسة السياق المتطور ذاتياً !!
آلية العمل ::
✴️ لا يقوم النموذج بإعادة التدريب؛ بل يطور السياق نفسه ليصبح “دليل استراتيجيات حية”.
✴️ يقوم النموذج بالكتابة والمراجعة وتصحيح مطالبه ذاتياً بناءً على نتائج التنفيذ الفعلية.
✴️ كل فشل يتحول إلى قاعدة حاسمة، وكل نجاح يتحول إلى استراتيجية مضافة للسياق.
لماذا يهم هذا التحول 🤔
✴️ يتفوق ACE على وكلاء GPT-4 بنسبة 10.6% في معيار AppWorld، ويحقق مكاسب بنسبة 8.6% في استنتاجات التمويل المعقدة.
✴️ يحقق كفاءة لا تُصدق بتكلفة وزمن استجابة أقل بنسبة 86.9% مقارنة بالطرق التكيفية السابقة.
نهاية حقبة.
💡 يتجه الجميع إلى المطالبات القصيرة والمنظمة (Clean Prompts)، بينما ACE يفعل العكس تماماً؛ إذ يبني أدلة مطالبات مفصلة وطويلة تتراكم فيها المعرفة، وهو ما يثبت أن النماذج اللغوية الكبيرة (LLMs) لا تبحث عن البساطة؛ بل تبحث عن “الكثافة السياقية” لتنفيذ المهام المعقدة ؛؛
رابط الورقة البحثية 🔗 👇