AI Agents تُحسّن الأداء والتكاليف باستخدام مبدأ الحدود الباريتو في الوقت الفعلي لاختيار نماذج اللغة تُعدّ نماذج الذكاء الاصطناعي العاملة كـ"وكالات" (AI Agents) من أبرز الاتجاهات في تطوير أنظمة الذكاء الاصطناعي الحديثة، لكنها تواجه تحديًا جوهريًا: التوازن بين الدقة والتكلفة. ولهذا، تُركّز الدراسات الحديثة على مفهوم "الحدود الباريتو" (Pareto Frontier) كأداة لتحديد أفضل توازن ممكن بين الأداء الدقيق وتكاليف التشغيل. في الماضي، كانت الوكالات تعتمد على نموذج لغة واحد كأساس ثابت للنماذج (LLM) لمهام مثل التوليد الطبيعي للغة (NLG)، والتفكير، وإدارة السياق. لكن التطورات الأخيرة من قبل OpenAI وNVIDIA فتحت الباب أمام نهج أكثر ذكاءً: استخدام تجميع متعدد من النماذج الصغيرة (SLMs) لمهام محددة. فمثلاً، قام NVIDIA بتحسين نموذج صغير لتوفير دقة أعلى في اختيار الأدوات، بينما استخدمت OpenAI سلسلة من النماذج الصغيرة في واجهة البحث العميقة وChatGPT. لكن هذه النماذج ما زالت تُعدّ ثابتة — أي تُستخدم نفس النموذج لكل مهمة أو تفاعل. الدراسة الجديدة بعنوان "Avengers-Pro" تقدم حلًا ديناميكيًا ومبتكرًا: نظام مُنظّم للأداء والكفاءة يختار النموذج الأمثل بناءً على المدخلات الفعلية، لكل تفاعل فردي. يعمل النظام كـ"شرطي مرور ذكي" لطلبات الذكاء الاصطناعي، حيث يبدأ بتحويل المدخلات إلى تمثيلات معنوية باستخدام نموذج خفيف (Qwen3-embedding-8B)، ثم يصنّفها إلى 60 مجموعة معنوية متميزة باستخدام مجموعة بيانات مُصنّفة من أزواج أسئلة وأجوبة. لكل مجموعة، يحسب النظام درجة كفاءة أداء لكل نموذج من أصل ثمانية نماذج (مثل تنويعات Qwen3 وحتى GPT-5-medium)، مُجمّعة من دقة الأداء على المهام المشابهة وتكاليف الاستخدام بالتوكنات (مبنية على واجهات مثل OpenRouter). ثم يوجّه كل طلب إلى النموذج الأنسب ضمن هذا التوازن. النتيجة؟ تقليل التكاليف دون التضحية بالدقة. فمثلاً، تُستخدم نماذج اقتصادية مثل Gemini-2.5-flash في المهام البسيطة، بينما تُحجز النماذج المتميزة مثل GPT-5 للاستجابات المعقدة. أظهرت الدراسة نتائج ممتازة على ستة تحديات صعبة، تُثبت أن التكامل بين الكفاءة والدقة ليس مجرد مفهوم نظري، بل يمكن تطبيقه عمليًا في البيئات الحقيقية. هذا البحث يوسع ما ورد في مقال سابق، حيث أشرت إلى أن تكاليف التشغيل — من استدعاءات متعددة للنماذج إلى تعديلات في النصوص — غالبًا ما تُهمل، رغم أن أنظمة متماثلة من حيث الدقة قد تختلف جوهريًا في التكلفة. Avengers-Pro يُعدّ خطوة كبيرة نحو تطوير وكالات ذكية، قادرة على التكيّف الفوري مع طبيعة المهمة، وتحقيق أقصى كفاءة من حيث التكلفة والأداء. في النهاية، هناك سؤال جوهري: هل ما زلنا نفترض أن الوكالات الذكية تعرف كل شيء؟ في الواقع، معظم هذه الوكالات لم تُختبر بعد في بيئات إنتاج حقيقية. وعندما نتحدث عن الذكاء العقلي المُجرّد، ننسى أن التحدي الحقيقي ليس فقط في "الذكاء"، بل في القدرة على العمل بكفاءة، بأمان، وبنفس الوقت بذكاء. إذا كنت تقرأ هذا، فشكرًا لوقتك واهتمامك. آمل أن تكون هذه المعلومة تستحق كل لحظة من انتباهك. — رئيس المُلهمين التكنولوجيين @ Kore.ai | مهتم بIntersection بين الذكاء الاصطناعي واللغة، نماذج اللغة، الوكالات الذكية، تطبيقات الذكاء العقلي، وإطارات التطوير والأدوات القائمة على البيانات التي تُشكّل مستقبل التكنولوجيا.
في عالم الذكاء الاصطناعي، أصبحت مسألة التوازن بين الدقة والتكلفة من الأهمية البالغة، خاصة مع تطور الوكلاء الذكية (AI Agents) التي تعتمد على نماذج لغوية كبيرة (LLMs).长期以来، كانت الدراسات تُركّز على مفهوم "الحد الأقصى الباريتو" (Pareto Frontier) كأداة لاختيار النموذج الأمثل بين التنازلات بين الدقة والتكاليف. ومع ذلك، ظلت معظم الحلول تقليدية، حيث يُستخدم نموذج لغوي واحد كعمود فقري للوكلاء، ما يحد من المرونة في الأداء والتكاليف. لكن مع ظهور مبادرات من شركات مثل OpenAI وNVIDIA، بدأت مفاهيم جديدة بالظهور. فبدلاً من الاعتماد على نموذج واحد، تم اعتماد نهج تجميعي يُستخدم فيه عدة نماذج صغيرة (SLMs) لأداء مهام محددة. مثلاً، قام NVIDIA بتدريب نموذج صغير خصيصاً لتحسين دقة اختيار الأدوات، بينما استخدمت OpenAI تسلسلاً من النماذج الصغيرة في واجهة البحث العميقة وChatGPT. ومع ذلك، تبقى هذه النماذج ثابتة في التصميم، ولا تتغير حسب طبيعة المدخلات في كل تفاعل. هنا يأتي البحث الجديد بعنوان "Avengers-Pro"، الذي يُقدّم نموذجاً ديناميكياً يُشبه "شرطي مرور ذكي" للطلبات المدخلة. بدلاً من تعيين نموذج واحد لكل مهمة، يُحلّل Avengers-Pro كل مدخل من المستخدم فور وروده، ويُحوّل النص إلى تمثيلات معنوية باستخدام نموذج خفيف (Qwen3-embedding-8B). ثم يُصنّف هذه المدخلات إلى 60 مجموعة متماسكة معنوياً، مستنداً إلى مجموعة بيانات مُصنفة من أزواج أسئلة وأجوبة. لكل مجموعة، يحسب النظام درجة أداء-كفاءة لكل نموذج من أصل ثمانية نماذج، مثل متغيرات Qwen3 وحتى GPT-5-medium. تُحسب هذه الدرجة من خلال دمج الدقة المُعدّلة على المهام المشابهة مع التكلفة المُعدّلة بناءً على عدد الرموز (tokens) المستخدمة عبر خدمات مثل OpenRouter. وبهذا، يتم توجيه كل طلب إلى النموذج الأنسب ديناميكياً، مع ضمان أفضل توازن بين الجودة والتكلفة. النتائج أظهرت تفوّقاً ملحوظاً في ستة اختبارات صعبة، بما في ذلك مهام الاستنتاج المعقد والتحليل التسلسلي. أكثر ما يُميّز Avengers-Pro هو تضمين التكلفة كعنصر أساسي في القرار، وليس مجرد ملاحظة ثانوية. فمثلاً، يتم استخدام نماذج اقتصادية مثل Gemini-2.5-flash للأسئلة البسيطة، بينما تُحَفَظ النماذج المتميزة مثل GPT-5 للحالات المعقدة التي تتطلب دقة عالية. هذا التحوّل يُعد خطوة كبيرة نحو تطوير واجهات ذكية قابلة للتطبيق في البيئات الحقيقية. فالوكلاء الذكية، حتى اليوم، لم تُختبر بالكامل في البيئات الإنتاجية، وغالباً ما تُبنى على افتراضات غير واقعية حول "المعرفة المُفترضة". Avengers-Pro يُعيد تعريف مفهوم التكامل، حيث لا يُعتمد فقط على دقة النموذج، بل على الكفاءة الاقتصادية والديناميكية في التفاعل. في النهاية، يُشير هذا التطور إلى أن مستقبل الوكلاء الذكية لا يكمن في استخدام نموذج واحد قوي، بل في قدرة النظام على التكيّف الذكي مع كل تفاعل، من خلال توظيف مجموعة من النماذج بأذكى طريقة ممكنة.
