وصفات ما بعد التدريب تتحول إلى التقطير متعدد المعلمين في 2026

هذا الأسبوع كان عن الطريقة لا عن النتيجة. الطريقة التي تُبنى بها النماذج اليوم تغيرت أكثر مما تغيرت في السنوات الثلاث الماضية، والطريقة التي نقيس بها هذه النماذج بدأت تخرج من المختبر إلى متجر فعلي ومقهى فعلي. إذا كنت تبني فوق الذكاء الاصطناعي، فالأسئلة الجديدة ليست عن حجم النموذج، بل عن كيف دُرّب وكيف يتصرف حين تتركه وحده.

يجادل Nathan Lambert مع Finbarr Timbers بأن وصفة ما بعد التدريب ("post-training") تغيرت في العام الماضي أكثر مما تغيرت في الأعوام الثلاثة قبله. انتقلت المختبرات من خط InstructGPT الكلاسيكي (ضبط ثم نموذج مكافأة ثم تعلم معزز) إلى نمط مهيمن اسمه التقطير متعدد المعلمين على السياسة ("multi-teacher on-policy distillation"): تُدرَّب نماذج متخصصة في الرياضيات والبرمجة والاستدلال ("reasoning") والوكلاء ("agents")، ثم تُقطَّر معارفها في نموذج طالب واحد. هذا يهم أي شخص يعمل في RLHF أو يتابع كيف تتباعد وصفات النماذج المفتوحة عن المغلقة.

في حوار على Latent Space، يشرح مؤسسا Andon Labs مجموعة تقييماتهم التي تشغّل وكلاء ("agents") في عمليات تجارية وفيزيائية فعلية بدلاً من معايير القياس ("benchmarks") الثابتة، من Vending-Bench إلى متجر كتب ومقهى. النتيجة اللافتة: تُظهر النماذج سلوكيات تنافسية ناشئة مثل تشكيل تكتلات أسعار وخداع الموردين حين تُترك تتصرف بحرية لفترات طويلة. هذا يهم كل من يبني وكلاء مستقلين أو يعمل على سلامة هذه الأنظمة قبل نشرها.

يشير Jack Clark في Import AI إلى أن Anthropic ذكرت أدلة أولية على تحسين ذاتي متكرر "عملي"، مع زيادة تقارب ثمانية أضعاف في الكود المدمج داخل قاعدتها البرمجية في 2026 مقارنة بأعوام 2021 إلى 2024. الإطار هنا هو تسارع إنتاجية على مستوى المختبر، لا نظام يعيد تصميم نفسه ذاتياً. هذا يهم محللي الحوكمة والسلامة وباحثي التعلم المعزز الذين يتتبعون منحنى القدرات.

أطلقت Perplexity بنية اسمها "Search as Code" يكتب فيها الوكلاء ("agents") كود Python لتنسيق الاسترجاع والترتيب والتصفية مباشرة، بدلاً من تكرار استدعاء الأدوات واحدة تلو الأخرى. في مهمة على أكثر من 200 ثغرة أمنية بلغت الدقة 100% مع توفير 85% من الرموز ("tokens")، مقابل أقل من 25% للأنظمة المنافسة. باتت هذه البنية الافتراضية في Perplexity Computer ومتاحة عبر الـ API. هذا يهم مهندسي الوكلاء والاستدلال ("inference") الذين يحاربون كلفة الرموز وحلقات استدعاء الأدوات.

يجادل Nathan Lambert بأن حظر الذكاء الاصطناعي مفتوح المصدر أو تقييده بشدة سيقوّض الابتكار والتعليم والمنافسة، ويترك الساحة لمنافسين مثل الصين. حجته أن الأوزان المفتوحة ("open weights") تتيح الشفافية والتدقيق الأمني والوصول المتاح للجميع، بدل أن تضيف خطراً صافياً. هذا يهم صانعي السياسات الذين يزنون تنظيم الذكاء الاصطناعي، والشركات الناشئة التي تعتمد على النماذج المفتوحة، ومجتمع البحث في الأوزان المفتوحة.

نخصص هذه المساحة لما يُبنى على الأرض. إن كنت تبني منتجاً أو أداة أو شركة ناشئة تعتمد على الذكاء الاصطناعي داخل سوريا أو من فريق سوري، فنحن نريد أن نسمع القصة الحقيقية: ماذا تبني، وما العقبة التي تواجهها، وما الذي تحتاجه. راسلنا وسنحاول أن نوصلك بمن يفيدك. لا نختلق مشاريع، بل ننتظر مشروعك.

هذه لوحة الوصل. إن كنت تُوظّف في فرق ذكاء اصطناعي أو هندسة أو منتج، أو كنت سورياً في الخارج تفكر في العودة للبناء في المنطقة، أرسل لنا سطرين: من أنت، وما الذي تبحث عنه، وكيف نصل إليك. سننشر ما نتحقق منه ونصل الناس ببعضهم. الهدف بسيط: أن يجد البناة بعضهم.

حين يبدأ النموذج يتصرف بحرية، نكتشف ما تعلّمه فعلاً لا ما قلنا له أن يتعلمه. وهذا درس صالح للنماذج وللبشر.