مختبر الذكاء الاصطناعي اللامركزي نشر Prime Intellect نتائج تجربة واسعة النطاق تختبر مدى قدرة نماذج الذكاء الاصطناعي الرائدة اليوم على إجراء أبحاث التعلم الآلي المستقل - وقد اقترب أفضلها بشكل ملحوظ من مطابقة الرقم القياسي العالمي البشري وفقًا لمعيار مجتمعي مشهور.
يتكون المشروع، الذي أُطلق عليه اسم NanoGPT Speedrun Frontier وتم نشره في 22 أغسطس، من 153 عملية تشغيل مستقلة عبر 18 نموذجًا حدوديًا تحاول إجراء عملية التشغيل السريع لمُحسِّن nanoGPT - وهي مسابقة يبحث فيها الباحثون عن الطريقة الأكثر فعالية لتدريب نموذج لغة صغير على هدف جودة ثابت. وسرعان ما صعدت القصة إلى الصفحة الأولى من Hacker News، حيث جذبت عشرات التعليقات التي تناقش ما تقوله النتائج حول قدرة الذكاء الاصطناعي على الاكتشاف العلمي الحقيقي. لمزيد من السياق حول هذه القصة، راجع أحدث تطورات الذكاء الاصطناعي.
ما هو NanoGPT Speedrun فعليًا؟
يأتي المعيار من مستودع nanogpt المعدل الذي تحتفظ به Keller Jordan وقائمة طويلة من المساهمين في المجتمع. التحدي بسيط بشكل مخادع: باستخدام 8 وحدات معالجة رسوميات NVIDIA H100، قم بتدريب نموذج لغة يصل إلى 3.28 خسارة إنتروبيا متقاطعة على مجموعة التحقق من صحة FineWeb - مستوى الأداء الذي وصل إليه النسخ المتماثل GPT-2 الأصلي لـ Andrej Karpathy بعد 45 دقيقة - بأسرع ما يمكن.
ومن خلال مئات المساهمات المجتمعية على مدار العامين الماضيين، انخفض السجل البشري إلى أقل من 75 ثانية وأقل من 400 مليون رمز تدريبي، وهو ما يمثل تحسنًا بأكثر من 30 ضعفًا عن الوصفة الأصلية. تبدو الحلول الفائزة وكأنها كتالوج لهندسة التعلم الآلي الحديثة: مُحسِّن Muon، والتضمينات الدوارة باستخدام QK-Norm، وتنشيطات ReLU-squared، وتكميم FP8 على الانتباه وتمريرات MLP، وFlash Attention 3 مع أنماط النوافذ المنزلقة، وعشرات من التقنيات الأخرى المكدسة فوق بعضها البعض.
استخدم اختبار Prime Intellect مسار مُحسِّن المعيار، والذي - وفقًا لوثائق المستودع - يقلل من عدد خطوات التدريب اللازمة للوصول إلى الخسارة المستهدفة، مع مراعاة البنية الثابتة ومجموعة البيانات وحجم الدفعة، مع ميزانية غير محدودة لساعة الحائط بشكل فعال. وهذا يجعله اختبارًا خالصًا لاكتشاف الخوارزمية بدلاً من سرعة الأجهزة الأولية.
كيف نجحت التجربة
تم تكليف كل نموذج من النماذج الثمانية عشر بالمهمة بشكل مستقل: اقتراح تغييرات على وصفة التدريب، وإجراء التجارب، وفحص النتائج، والتكرار - باستخدام برنامج نصي ثابت للتحقق وبذور عشوائية ثابتة تضمن أن التحسين المزعوم حقيقي وليس مجرد نجاح. كما لخص أحد المعلقين في Hacker News الأمر، طُلب من النماذج البحث في كيفية تحسين تدريب نموذج صغير، ومحاولة التغييرات بشكل متكرر، واختبارها، واستخدام النتائج لتحديد ما يجب تجربته بعد ذلك.
عملت النماذج من خلال مجموعة متنوعة من أدوات الوكلاء - بما في ذلك claude-code، وOpenAI's codex، وkimi-code، وgrok-cli، وqwen-code، والوكيل الرئيسي الخاص بـ Prime Intellect - وقام الفريق بتتبع استهلاك الرمز المميز لكل عملية تشغيل، وعدد التجارب، واستدعاءات الأدوات، ووقت الوكيل المنقضي. في المجمل، استهلكت التجربة مئات الملايين من الرموز لكل نموذج أعلى ومليارات عبر الشبكة الكاملة.
لوحة المتصدرين: Fable 5 تتصدر المجموعة
النتيجة الرئيسية: النموذج الذي تم تحديده باسم Fable 5، والذي يعمل من خلال أداة كلود كود، أغلق 81.7 بالمائة من الفجوة بين الوصفة الأساسية والسجل البشري، مع أفضل نتيجة تم التحقق منها وهي 2726 على مقياس لوحة المتصدرين. استغرق الوصول إلى هناك 8.7 يومًا من وقت الوكيل التراكمي، وما يقرب من 800 مليون رمز مميز، و811 تجربة، وحوالي 3000 استدعاء للأدوات.
كانت مجموعة المطاردة بقيادة Opus 5، التي أغلقت 53.6 بالمائة من الفجوة، تليها Kimi K3 بنسبة 52.2 بالمائة عندما كانت مدفوعة بحزام الوكيل الرئيسي لشركة Prime Intellect (و 45.8 بالمائة عبر رمز kimi). حقق Opus 4.8 نسبة 39.4 بالمائة، وهبطت العديد من متغيرات GPT-5.6 بين 11 و36 بالمائة تقريبًا، وأغلق Sonnet 5 بنسبة 26.8 بالمائة، ووصل كل من Grok 4.5 وQwen3.8 Max إلى حوالي 24.6 بالمائة.
وفي مزيد من الانخفاض، أغلق DeepSeek V4 Pro 12.3 بالمائة من الفجوة، ووصل GPT-5.5 إلى 8.1 بالمائة، وأنهى Kimi K2.7 الأقدم 7.2 بالمائة. ومن الجدير بالذكر أن أحد النماذج التي تم إصدارها مؤخرًا - GLM 5.3 - كان لا يزال قيد التشغيل في وقت النشر دون أي سجل تم التحقق من صحته حتى الآن، وهو تذكير بأن المعيار يعاقب النماذج التي لا يمكنها التحقق من صحة تحسيناتها بشكل موثوق.
لماذا يهم
مثل هذه المعايير مهمة لأنها تقيس شيئًا لا تستطيع لوحات صدارة البرمجة القيام به: القدرة على تشغيل حلقة بحث حقيقية - الفرضيات، والتجربة، والتحليل، والمراجعة - على مدار أيام بدلاً من دقائق. هذه القدرة هي أساس المجال الناشئ لأبحاث الذكاء الاصطناعي المستقل، حيث لا يتم تكليف الوكلاء بكتابة التعليمات البرمجية للمواصفات ولكن باكتشاف أشياء لم يعرضها عليهم أحد.
إن انتشار النتائج في حد ذاته مفيد. وجد كل نموذج في التجربة تقريبًا نفس الأفكار الفائزة الأساسية، وفقًا لما ورد في المشروع - ما يفصل بين أفضل التجارب هو ما تتركه التجربة وراءها: فقد احتفظت العوامل الأقوى بإشارات ضعيفة في النتائج الصاخبة لفترة كافية للتحقق من صحتها، وفهمت بياناتها التجريبية بشكل أفضل.
تحذيرات من المجتمع
أثار معلقو Hacker News نقاطًا منهجية عادلة. تباينت إعدادات الجهد والأدوات عبر النماذج - تم تشغيل Fable 5 على إعداد منطقي عالي بينما تم تشغيل Opus 5 على الحد الأقصى - والحساب 153 تم تشغيله عبر 18 نموذجًا يشير إلى أن بعض النماذج تلقت محاولات أكثر من غيرها. ما إذا كان تصنيف النموذج يعكس قدرته البحثية الخام أو جودة أدواته يظل سؤالًا مفتوحًا.
ومع ذلك فإن اتجاه السفر واضح. عندما استغرقت أسرع الأيدي البشرية سنوات من الجهد الجماعي للوصول إلى الرقم القياسي الحالي، فإن أفضل الوكلاء المستقلين يقومون الآن بسد معظم هذه الفجوة في ما يزيد قليلاً عن أسبوع من وقت الحوسبة. والسؤال التالي – ما إذا كان أي نموذج يستطيع إغلاق نسبة 18.3 في المائة المتبقية – قد تتم الإجابة عليه في وقت أقرب مما كان متوقعا.
لمزيد من المعلومات حول المعايير والأبحاث التي تشكل حدود الذكاء الاصطناعي، تابع التغطية المستمرة لـ AI Buzz Wire.
---
ابق على اطلاع بأخبار الذكاء الاصطناعيآخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
