هؤلاء الباحثون وجدوا طريقة لجعل وكلاء الذكاء الاصطناعي يفكرون دون التحدث، وهي أسرع بمقدار 2.4 مرة

باحثون من جامعة إلينوي في أوربانا-شامبين وجامعة ستانفورد وإنفيديا ومعهد ماساتشوستس للتكنولوجيا بنوا RecursiveMAS، وهو إطار متعدد الوكلاء يعامل النظام بأكمله كحساب تكراري واحد في الفضاء الكامن. تطرح الدراسة المسبقة سؤالاً بسيطًا: إذا كانت نماذج اللغة التكرارية تعمل للنماذج الفردية، فلماذا لا تعمل للوكلاء؟ the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

لماذا التكرار في الفضاء الكامن؟

البصيرة تكاد تكون واضحة جدًا بمجرد سماعها. في معظم الأنظمة متعددة الوكلاء، يتم فك تشفير كل فكرة إلى كلمات قبل تمريرها إلى الوكيل التالي. هذا مكلف ويخلق عنق زجاجة دلالي. يحافظ RecursiveMAS على جميع الاستدلالات الوسيطة في الفضاء الكامن المستمر، ولا يفك تشفيرها إلى نص إلا في الجولة النهائية.

يقوم الإطار بربط الوكلاء غير المتجانسين من خلال RecursiveLink، وهي شبكة متبقية خفيفة من طبقتين. تقوم الروابط الداخلية بتعيين الحالة المخفية الأخيرة للوكيل مرة أخرى إلى مساحة تضمين المدخلات الخاصة به. تقوم الروابط الخارجية بنقل الأفكار الكامنة بين الوكلاء، حتى عندما يكون لهؤلاء الوكلاء أحجام مخفية مختلفة. التصميم المتبقي يعني أن الوحدة تحتاج فقط إلى تعلم التحول التوزيعي، وليس الدلالات بأكملها. how-the-m3-team-turned-math-proof-into-an-evolutionary-search-problem

الهندسة والتدريب

يقوم RecursiveMAS بتسلسل جميع الوكلاء في حلقة تكرارية واحدة. يولد كل وكيل أفكارًا كامنة عبر الرابط الداخلي، ثم يمررها إلى الوكيل التالي عبر الرابط الخارجي. بعد أن ينتهي الوكيل الأخير، تعود مخرجاته إلى الأول، لإغلاق الحلقة. يستخدم التدريب خوارزمية حلقة داخلية وخارجية من مرحلتين. تقوم الحلقة الداخلية بتشغيل كل RecursiveLink بشكل مبدئي مع هدف انحدار يتماشى مع توزيع تضمين الإجابة الصحيحة. تقوم الحلقة الخارجية بفتح النظام بأكمله لعدة جولات تكرارية وتحسين جميع الروابط من خلال الانتشار العكسي عبر المسار بأكمله. فقط حوالي 13 مليون معلمة، أي 0.31% من النظام بأكمله، قابلة للتدريب. تبقى نماذج اللغة الأساسية مجمدة.

الضمانات النظرية

تبرز نتيجتان. أولاً، تدفع الأنظمة متعددة الوكلاء التكرارية القائمة على النص تكلفة فك التشفير لكل خطوة تتناسب مع حجم المفردات. يستبدل RecursiveMAS ذلك بتحويل أرخص بكثير في الفضاء الكامن، مما يزيل عنق الزجاجة في إسقاط المفردات. ثانيًا، في ظل افتراضات واقعية مع تنبؤات رمزية واثقة، يعاني الضبط الدقيق التكراري القائم على النص من تضاؤل التدرجات. يحافظ RecursiveMAS على تدرجات مستقرة وشبه ثابتة عبر الانتشار العكسي الحلقي. the-subtle-trap-waiting-for-ai-agents-in-production

الأداء والكفاءة

عبر تسعة معايير تغطي الرياضيات والعلوم والطب والبرمجة والبحث، يتفوق RecursiveMAS باستمرار على خطوط الأساس القوية. في MATH500 وAIME 2025 وAIME 2026 وGPQA-D وLiveCodeBench وMedQA، يقدم الإطار تحسنًا متوسطًا في الدقة بنسبة 8.3% مقارنة بأفضل خط أساس في ظل ميزانيات تدريب متطابقة. في مهام الرياضيات التنافسية كثيفة المنطق AIME 2025، يتحسن بنسبة 18.1%. في معيار توليد الكود المحجوز MBPP+، يكتسب 13%.

أرقام الكفاءة أكثر وضوحًا في جولات التكرار الأعمق. في الجولة 3، يحقق RecursiveMAS تسريعًا في الاستدلال من البداية إلى النهاية يصل إلى 2.4 مرة مقارنة بالأنظمة متعددة الوكلاء التكرارية القائمة على النص، مع تقليل استخدام الرموز بنسبة 75.6%. تتراكم هذه المزايا مع زيادة عمق التكرار، لأن معظم الجولات تحدث بالكامل في الفضاء الكامن. moonshot-ais-k27-code-is-faster-and-cheaper-but-open-source-coding-models-face-a-new-benchmark-gap

التعميم عبر أنماط التعاون

RecursiveMAS غير مرتبط بالهيكل. قام الفريق بتطبيقه تحت أربعة أنماط تعاون: تسلسلي (مخطط-ناقد-حلال)، مزيج (خبراء مجال مع ملخص)، تقطير (خبير-متعلم)، وتداول (عاكس وأداة استدعاء). عبر جميع الأنماط، يتحسن الإطار مقارنة بأقوى وكيل مستقل: 6.2% في نمط المزيج، 4.8% في نمط التداول، و8.0% في نمط التقطير، حيث يرفع متعلمًا أصغر مع الحفاظ على ميزة سرعة 1.5x مقارنة بخبير أكبر.

ماذا يعني هذا للأنظمة متعددة الوكلاء

يشير العمل إلى محور توسيع جديد للأنظمة متعددة الوكلاء. بدلاً من إضافة المزيد من الوكلاء أو نماذج أكبر، يحقق عمق التكرار في الفضاء الكامن مكاسب كبيرة في الأداء والكفاءة. يفتح ذلك الباب أمام تنسيق أكثر مرونة للوكلاء دون عبء فك التشفير إلى نص في كل خطوة، مما قد يجعل البنى متعددة الوكلاء المعقدة عملية للنشر المحدود الموارد. the-specialization-revolution-how-smaller-models-are-redefining-ais-future