أبحاث نوس تطلق نموذجًا برمجيًا مفتوح المصدر يتحدى الأنظمة الكبيرة

الولايات المتحدة - وكالة أنباء إخباري

أبحاث نوس تطلق نموذجًا برمجيًا مفتوح المصدر يتحدى الأنظمة الكبيرة

في خطوة تبرز التسارع المذهل في مجال الذكاء الاصطناعي المساعد على تطوير البرمجيات، أعلنت شركة Nous Research، وهي شركة ناشئة في مجال الذكاء الاصطناعي مفتوح المصدر مدعومة من شركة رأس المال الاستثماري في العملات المشفرة Paradigm، عن إطلاق نموذجها الجديد للبرمجة التنافسية، NousCoder-14B. هذا النموذج، الذي تم تدريبه في غضون أربعة أيام فقط باستخدام 48 من أحدث معالجات الرسوميات Nvidia B200، يدعي أنه يضاهي أو يتفوق على العديد من الأنظمة التجارية الأكبر حجمًا. يأتي هذا الإصدار في لحظة فارقة، حيث يشهد قطاع أدوات المساعدة البرمجية بالذكاء الاصطناعي اهتمامًا كبيرًا، لا سيما مع الإشادة الواسعة التي حظيت بها أداة Claude Code من شركة Anthropic.

يشير الإطلاق المتزامن لهذه التقنيات إلى الديناميكية المتزايدة في مجال تطوير البرمجيات المدعوم بالذكاء الاصطناعي، والسباق المحتدم بين الشركات، سواء كانت كبيرة أو صغيرة، للاستحواذ على ما يُنظر إليه على أنه تقنية أساسية مستقبلية لكتابة البرمجيات. يسعى NousCoder-14B إلى تقديم بديل قوي ومفتوح المصدر في سوق مزدحم بالفعل بمساعدي البرمجة المدعومين بالذكاء الاصطناعي، مما يضع ضغطًا تنافسيًا على اللاعبين الكبار.

وفقًا لتقرير فني صادر عن Nous Research، حقق النموذج NousCoder-14B معدل دقة بلغ 67.87% على معيار LiveCodeBench v6، وهو تقييم موحد يختبر قدرات النماذج في حل مشكلات البرمجة التنافسية. وتُمثل هذه النتيجة تحسنًا بمقدار 7.08 نقطة مئوية مقارنة بالنموذج الأساسي الذي تم التدريب عليه، وهو Qwen3-14B من شركة Alibaba. هذا الأداء المثير للإعجاب، الذي تم تحقيقه في فترة تدريب قصيرة جدًا، يثير تساؤلات حول كفاءة وفعالية نماذج الذكاء الاصطناعي الحديثة.

تأتي هذه التطورات في أعقاب شهادات مؤثرة من مطورين حول إمكانيات أدوات مثل Claude Code. فقد شاركت جاانا دوجان، مهندسة رئيسية في Google مسؤولة عن واجهة برمجة تطبيقات Gemini، منشورًا انتشر على نطاق واسع على منصة X، وصفت فيه كيف أن Claude Code تمكن من توليد نظام معقد لتنسيق الوكلاء الموزعين، والذي استغرق فريقها عامًا كاملاً لتطويره، وذلك استجابة لوصف موجز من ثلاث فقرات. تسلط هذه المقارنة الضوء على الفجوة المتصورة بين قدرات النماذج المغلقة التي تعتمد على العروض التوضيحية المبهرة، والبدائل مفتوحة المصدر التي تركز على الشفافية وقابلية التكرار.

تراهن Nous Research على أن النماذج مفتوحة المصدر، المدربة على مشاكل قابلة للتحقق، يمكنها سد هذه الفجوة. تؤمن الشركة بأن الشفافية في كيفية بناء هذه النماذج لا تقل أهمية عن قدرتها الخام. ما يميز إصدار NousCoder-14B هو انفتاحه الجذري؛ فقد نشرت Nous Research ليس فقط أوزان النموذج، بل أيضًا بيئة التعلم المعزز الكاملة، ومجموعة أدوات التقييم، وحزمة التدريب المبنية على إطار عمل Atropos الخاص بالشركة. يتيح هذا النهج لأي باحث يمتلك القدرة الحاسوبية الكافية إعادة إنتاج العمل أو البناء عليه، مما يعزز التعاون والابتكار في المجتمع العلمي والمفتوح المصدر.

تم تدريب النموذج بواسطة جو لي، الباحث المقيم في Nous Research والمبرمج التنافسي السابق. يكشف تقرير لي الفني عن بعد شخصي وغير متوقع، حيث قارن مسار تحسين النموذج برحلة تطوره الشخصية على منصة Codeforces. بناءً على تقديرات تقريبية تربط درجات LiveCodeBench بتصنيفات Codeforces، حسب لي أن تحسن NousCoder-14B – من نطاق تصنيف تقريبي 1600-1750 إلى 2100-2200 – يعكس قفزة استغرقت منه ما يقرب من عامين من الممارسة المتواصلة بين سن 14 و 16 عامًا. لقد حقق النموذج هذا الإنجاز المكافئ في أربعة أيام فقط، ووصف لي هذه التجربة بأنها "سريالية للغاية".

ومع ذلك، لفت لي الانتباه إلى نقطة مهمة تتعلق بكفاءة التعلم لدى البشر والآلات: فقد حل هو شخصيًا حوالي 1000 مشكلة خلال عامين، بينما احتاج النموذج إلى 24000 مشكلة. يظل البشر، على الأقل في الوقت الحالي، متعلمين أكثر كفاءة من حيث استهلاك البيانات. يقدم نظام التعلم المعزز الذي تم تدريب NousCoder-14B عليه نافذة على التقنيات المتطورة التي يستخدمها الباحثون لتحسين قدرات الاستدلال لدى الذكاء الاصطناعي. يعتمد هذا النهج على ما يسميه الباحثون "مكافآت قابلة للتحقق"، حيث يولد النموذج حلولًا برمجية، ويتم تنفيذ هذه الحلول مقابل حالات اختبار، ويتلقى النموذج إشارة ثنائية بسيطة: صحيح أو خاطئ. يتطلب هذا التغذية الراجعة، على الرغم من بساطتها المفاهيمية، بنية تحتية كبيرة للتنفيذ على نطاق واسع.

استخدمت Nous Research منصة الحوسبة السحابية Modal لتشغيل تنفيذ التعليمات البرمجية المعزولة بالتوازي. يحتوي كل من مشاكل التدريب الـ 24000 على مئات حالات الاختبار في المتوسط، ويجب على النظام التحقق من أن التعليمات البرمجية التي تم إنشاؤها تنتج مخرجات صحيحة ضمن قيود الوقت والذاكرة المحددة (15 ثانية و 4 جيجابايت على التوالي). اعتمد التدريب على تقنية تسمى DAPO (Dynamic Sampling Policy Optimization)، والتي وجد الباحثون أنها قدمت أداءً أفضل قليلاً من البدائل. يتضمن الابتكار الرئيسي "أخذ العينات الديناميكي"، والذي يتضمن تجاهل أمثلة التدريب التي يحلها النموذج فيها جميع المحاولات أو يفشل في جميع المحاولات، لأن هذه لا توفر أي إشارة مفيدة للتعلم. اعتمد الباحثون أيضًا على "تمديد السياق التكراري"، حيث قاموا أولاً بتدريب النموذج بنافذة سياق تبلغ 32000 رمز، ثم قاموا بتوسيعها إلى 40000 رمز. أثناء التقييم، أدى توسيع السياق إلى حوالي 80000 رمز إلى أفضل النتائج، حيث وصلت الدقة إلى 67.87%.

وكالة أنباء إخباري