باحثو Nous Research يطلقون نموذجًا مفتوح المصدر للبرمجة يضاهي الأنظمة الاحتكارية

الولايات المتحدة - وكالة أنباء إخباري

باحثو Nous Research يطلقون نموذجًا مفتوح المصدر للبرمجة يضاهي الأنظمة الاحتكارية

في تطور يبرز التسارع المذهل في مجال تطوير البرمجيات بمساعدة الذكاء الاصطناعي، كشفت شركة Nous Research، المدعومة من شركة رأس المال الاستثماري Paradigm، عن نموذج برمجة تنافسي جديد مفتوح المصدر يُدعى NousCoder-14B. هذا النموذج، الذي تم تدريبه بكفاءة عالية باستخدام 48 وحدة معالجة رسوميات Nvidia B200 في غضون أربعة أيام فقط، يهدف إلى منافسة الأنظمة الاحتكارية الأكبر حجمًا، ويأتي في وقت يشهد اهتمامًا متزايدًا بأدوات البرمجة المدعومة بالذكاء الاصطناعي، لا سيما بعد الضجة التي أحدثها نموذج Claude Code من شركة Anthropic.

يُعد NousCoder-14B إضافة مهمة إلى سوق مساعدي البرمجة بالذكاء الاصطناعي الذي يشهد ازدحامًا متزايدًا. يأتي إطلاقه في لحظة حرجة، حيث استحوذ Claude Code، الأداة البرمجية العواملية من المنافس Anthropic، على اهتمام واسع على وسائل التواصل الاجتماعي منذ بداية العام، مع مشاركة المطورين شهادات حماسية حول قدراته. هذه التطورات المتزامنة تسلط الضوء على السرعة التي يتطور بها تطوير البرمجيات بمساعدة الذكاء الاصطناعي، وعلى المنافسة الشرسة بين الشركات الكبيرة والصغيرة للاستحواذ على ما يعتقد الكثيرون أنها ستصبح تقنية أساسية في كيفية كتابة البرمجيات مستقبلاً.

وفقًا لتقرير فني نشرته Nous Research، حقق NousCoder-14B نسبة دقة بلغت 67.87% على منصة LiveCodeBench v6، وهي معيار تقييم موحد يختبر قدرات النماذج على حل مشكلات البرمجة التنافسية التي نُشرت بين أغسطس 2024 ومايو 2025. ويمثل هذا الرقم تحسنًا ملحوظًا قدره 7.08 نقطة مئوية مقارنة بالنموذج الأساسي الذي تم تدريبه منه، وهو Qwen3-14B من Alibaba.

تأتي هذه النتائج في أعقاب تجارب لافتة شاركها مطورون بارزون. على سبيل المثال، كتبت جآنا دوغان، مهندسة رئيسية في Google مسؤولة عن واجهة برمجة تطبيقات Gemini، في منشور انتشر على نطاق واسع على منصة X (تويتر سابقًا): "لقد أعطيت Claude Code وصفًا للمشكلة، فقام بتوليد ما بنيناه العام الماضي في غضون ساعة". كانت دوغان تصف نظام تنسيق الوكلاء الموزع الذي أمضى فريقها عامًا في تطويره، وهو نظام استطاع Claude Code تقريبه من خلال وصف موجز من ثلاث فقرات.

هذا التباين مثير للاهتمام: فبينما نجح Claude Code من Anthropic في إبهار المستخدمين بعروض توضيحية لتطوير البرمجيات من البداية إلى النهاية، تراهن Nous Research على أن البدائل مفتوحة المصدر المدربة على مشاكل قابلة للتحقق يمكنها سد الفجوة. كما تؤمن الشركة بأن الشفافية في كيفية بناء هذه النماذج لا تقل أهمية عن قدراتها الخام.

نهج Nous Research في بناء نموذج برمجة قابل للتكرار

ما يميز إطلاق NousCoder-14B عن العديد من إعلانات المنافسين هو انفتاحه الجذري. لم تنشر Nous Research أوزان النموذج فحسب، بل نشرت أيضًا بيئة التعلم المعزز الكاملة، ومجموعة معايير التقييم، وأدوات التدريب - المبنية على إطار عمل Atropos الخاص بالشركة - مما يتيح لأي باحث يمتلك القدرة الحاسوبية الكافية إعادة إنتاج العمل أو توسيعه.

وقد علق أحد المراقبين على منصة X قائلاً: "إن فتح مصدر حزمة Atropos يوفر البنية التحتية اللازمة لأبحاث الاستدلال على المستوى الأولمبي القابلة للتكرار"، مما يلخص أهمية هذا النهج للمجتمعات الأكاديمية ومجتمعات المصادر المفتوحة.

تم تدريب النموذج بواسطة جو لي، باحث مقيم في Nous Research ومبرمج تنافسي سابق. يكشف تقرير لي الفني عن بُعد شخصي غير متوقع: فقد قارن مسار تحسين النموذج برحلته الخاصة على Codeforces، وهي منصة البرمجة التنافسية حيث يكسب المشاركون تصنيفات بناءً على أدائهم في المسابقات. بناءً على تقديرات تقريبية تربط درجات LiveCodeBench بتصنيفات Codeforces، حسب لي أن تحسن NousCoder-14B - من نطاق التصنيف التقريبي 1600-1750 إلى 2100-2200 - يعكس قفزة استغرقت منه ما يقرب من عامين من الممارسة المستمرة بين سن 14 و 16 عامًا. وقد حقق النموذج ما يعادله في أربعة أيام.

كتب لي في التقرير الفني: "كانت مشاهدة مرحلة التدريب النهائية أمرًا سرياليًا للغاية". ومع ذلك، سارع لي إلى الإشارة إلى تحذير مهم يتعلق بالأسئلة الأوسع حول كفاءة الذكاء الاصطناعي: فقد حل حوالي 1000 مشكلة خلال هذين العامين، بينما احتاج النموذج إلى 24000 مشكلة. يظل البشر، على الأقل في الوقت الحالي، متعلمين أكثر كفاءة بشكل كبير من حيث عدد العينات.

نظام التعلم المعزز والتدريب على 24,000 مشكلة

توفر عملية تدريب NousCoder-14B نافذة على التقنيات المتزايدة التطور التي يستخدمها الباحثون لتحسين قدرات الاستدلال لدى الذكاء الاصطناعي من خلال التعلم المعزز. يعتمد النهج على ما يسميه الباحثون "مكافآت قابلة للتحقق" - وهو نظام يقوم فيه النموذج بتوليد حلول برمجية، ويتم تنفيذ هذه الحلول مقابل حالات اختبار، ويتلقى النموذج إشارة ثنائية بسيطة: صحيحة أو غير صحيحة. هذه الحلقة التغذوية، على الرغم من بساطتها من الناحية المفاهيمية، تتطلب بنية تحتية كبيرة لتنفيذها على نطاق واسع.

استخدمت Nous Research منصة الحوسبة السحابية Modal لتشغيل تنفيذ التعليمات البرمجية المعزولة في بيئات آمنة بالتوازي. تحتوي كل مشكلة من مشاكل التدريب الـ 24000 على مئات حالات الاختبار في المتوسط، ويجب على النظام التحقق من أن التعليمات البرمجية التي تم إنشاؤها تنتج المخرجات الصحيحة ضمن قيود الوقت والذاكرة - 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 في تجاربهم. يتضمن الابتكار الرئيسي "أخذ العينات الديناميكي" - وهو التخلص من أمثلة التدريب التي يحل فيها النموذج جميع المحاولات أو يفشل في جميع المحاولات، لأن هذه لا توفر أي إشارة تدرج مفيدة للتعلم.

كما اعتمد الباحثون "التوسع التكراري للسياق"، حيث قاموا أولاً بتدريب النموذج بنافذة سياق بحجم 32000 رمز (token)، ثم توسيعها إلى 40000 رمز. أثناء التقييم، أدى توسيع السياق إلى حوالي 80000 رمز إلى أفضل النتائج، حيث وصلت الدقة إلى 67.87%.

والأهم من ذلك، أن خط أنابيب التدريب يدمج الاستدلال والتحقق - فبمجرد أن يولد النموذج حلاً، يبدأ العمل على المشكلة التالية بينما يتم فحص الحل السابق. هذا التداخل، جنبًا إلى جنب مع التدريب غير المتزامن حيث تعمل مثيلات نماذج متعددة بالتوازي، يزيد من استخدام الأجهزة إلى أقصى حد على مجموعات وحدات معالجة الرسوميات المكلفة.

نقص البيانات المحتمل يهدد تقدم نماذج البرمجة بالذكاء الاصطناعي

ضمن تقرير لي الفني، يوجد اكتشاف له آثار كبيرة على مستقبل تطوير الذكاء الاصطناعي: تشمل مجموعة بيانات التدريب لـ NousCoder-14B "جزءًا كبيرًا من جميع مشاكل البرمجة التنافسية المتاحة بسهولة والقابلة للتحقق بتنسيق مجموعة بيانات موحد". بعبارة أخرى، في هذا المجال المحدد، يقترب الباحثون من حدود البيانات عالية الجودة.

كتب لي: "العدد الإجمالي لمشاكل البرمجة التنافسية على الإنترنت هو تقريبًا من نفس الرتبة"، مشيرًا إلى 24000 مشكلة مستخدمة في التدريب. "هذا يشير إلى أننا، في مجال البرمجة التنافسية، قد وصلنا إلى حدود البيانات عالية الجودة".

هذا الاكتشاف يتردد صداه مع القلق المتزايد في جميع أنحاء صناعة الذكاء الاصطناعي بشأن قيود البيانات. فبينما تستمر القدرة الحاسوبية في التوسع وفقًا لمبادئ اقتصادية وهندسية مفهومة جيدًا، أصبحت بيانات التدريب "محدودة بشكل متزايد"، على حد تعبير لي.

وخلص إلى القول: "يبدو أن بعض أهم الأبحاث التي يجب القيام بها في المستقبل ستكون في مجالات توليد البيانات الاصطناعية والخوارزميات والهياكل الفعالة من حيث البيانات".

يشكل هذا التحدي خطورة خاصة في البرمجة التنافسية لأن هذا المجال يتطلب مشاكل ذات حلول صحيحة معروفة يمكن التحقق منها تلقائيًا. على عكس اللغة الطبيعية، حيث يمكن أن تكون هناك تفسيرات متعددة أو طرق مختلفة للتعبير عن نفس الفكرة، فإن البرمجة تتطلب دقة مطلقة.

وكالة أنباء إخباري