نموذج NousCoder-14B المفتوح المصدر ينافس الأنظمة الكبرى في برمجة الذكاء الاصطناعي

الولايات المتحدة - وكالة أنباء إخباري

نموذج NousCoder-14B المفتوح المصدر ينافس الأنظمة الكبرى في برمجة الذكاء الاصطناعي

في خطوة قد تعيد تشكيل مشهد تطوير البرمجيات المدعوم بالذكاء الاصطناعي، كشفت شركة Nous Research، وهي شركة ناشئة في مجال الذكاء الاصطناعي المفتوح المصدر مدعومة من شركة رأس المال الاستثماري Paradigm، عن نموذج برمجة تنافسية جديد يُدعى NousCoder-14B. هذا النموذج، الذي تم تدريبه في غضون أربعة أيام فقط باستخدام 48 وحدة معالجة رسوميات Nvidia B200 المتطورة، يدعي أنه يضاهي أو يتفوق على العديد من الأنظمة الاحتكارية الأكبر حجمًا. يأتي هذا الإطلاق في وقت حساس يشهد زخمًا كبيرًا حول أدوات المساعدة البرمجية بالذكاء الاصطناعي، لا سيما مع الضجة الإعلامية حول Claude Code، أداة البرمجة من شركة Anthropic المنافسة.

لقد استحوذت Claude Code على اهتمام واسع على وسائل التواصل الاجتماعي منذ بداية العام، حيث شارك المطورون شهادات حماسية حول قدراتها. وتؤكد التطورات المتزامنة هذه على السرعة المذهلة التي يتطور بها تطوير البرمجيات بمساعدة الذكاء الاصطناعي، وعلى المنافسة الشرسة بين الشركات الكبيرة والصغيرة للاستحواذ على ما يعتقد الكثيرون أنه سيصبح تقنية أساسية في كيفية كتابة البرمجيات.

أظهر NousCoder-14B معدل دقة بلغ 67.87% في اختبار LiveCodeBench v6، وهو تقييم معياري يختبر النماذج على مشاكل البرمجة التنافسية المنشورة بين أغسطس 2024 ومايو 2025. وفقًا لتقرير Nous Research الفني، تمثل هذه النتيجة تحسنًا بنسبة 7.08 نقطة مئوية مقارنة بالنموذج الأساسي الذي تم التدريب عليه، وهو Qwen3-14B من Alibaba.

تأتي هذه الإنجازات في ظل منافسة شديدة. فقد كتبت جآنا دوغان، مهندسة رئيسية في Google مسؤولة عن واجهة برمجة تطبيقات Gemini، في منشور انتشر على نطاق واسع على منصة X الأسبوع الماضي: "لقد أعطيت Claude Code وصفًا للمشكلة، وقام بتوليد ما بنيناه العام الماضي في ساعة". كانت دوغان تصف نظام تنسيق وكلاء موزعين استغرقت فرقته عامًا لتطويره، وهو نظام تمكن Claude Code من تقريبه من خلال وصف من ثلاث فقرات.

هذا التقابل مثير للاهتمام: فبينما استحوذت Claude Code من Anthropic على الخيال 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 القدرة الخام.

التميز في الانفتاح والشفافية

ما يميز إصدار 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 المعايير، وأدوات التدريب - المبنية على إطار عمل Atropos الخاص بالشركة - مما يتيح لأي باحث يمتلك القدرة الحاسوبية الكافية إعادة إنتاج العمل أو توسيعه. وعلق أحد المراقبين على منصة X: "إن المصدر المفتوح لمكدس Atropos يوفر البنية التحتية اللازمة لأبحاث التفكير القابلة للتكرار على مستوى الأولمبياد"، مما يلخص أهمية هذا الإنجاز للمجتمعات الأكاديمية ومجتمعات المصادر المفتوحة.

تم تدريب النموذج بواسطة جو لي، باحث مقيم في Nous Research ومبرمج تنافسي سابق. يكشف تقرير لي الفني عن بعد 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 تحسين NousCoder-14B - من نطاق تصنيف تقريبي 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.

وكتب لي في التقرير الفني: "كانت مشاهدة مرحلة التدريب النهائية أمرًا سرياليًا للغاية". لكنه سارع إلى ملاحظة تحذير مهم يتحدث عن أسئلة أوسع 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 بكثير من حيث عدد العينات.

تقنيات التدريب المتقدمة

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

استخدمت Nous Research منصة الحوسبة السحابية Modal لتشغيل تنفيذ الكود في بيئات معزولة بالتوازي. تحتوي كل مشكلة من مشاكل التدريب الـ 24000 على مئات حالات الاختبار في المتوسط، ويجب على النظام التحقق من أن الكود الذي تم إنشاؤه ينتج 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 أدت 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.

اعتمد الباحثون أيضًا على "التوسع التكراري للسياق"، حيث قاموا أولاً بتدريب النموذج بنافذة سياق تبلغ 32000 رمز (token) قبل توسيعها إلى 40000 رمز. أثناء التقييم، أدى توسيع السياق بشكل أكبر إلى حوالي 80000 رمز إلى أفضل النتائج، مع وصول الدقة إلى 67.87%. الأهم من ذلك، أن خط أنابيب التدريب يتداخل فيه الاستدلال والتحقق - فبمجرد أن ينشئ النموذج حلاً، يبدأ العمل على المشكلة التالية بينما يتم فحص الحل السابق. هذا التجميع، جنبًا إلى جنب مع التدريب غير المتزامن حيث تعمل مثيلات نموذج متعددة بالتوازي، يزيد من استخدام الأجهزة إلى أقصى حد على مجموعات وحدات معالجة الرسومات باهظة الثمن.

ندرة البيانات المحتملة

مخبأ في 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 بيانات التدريب عالية الجودة.

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

ويتردد هذا الاكتشاف في القلق المتزايد عبر صناعة الذكاء الاصطناعي بشأن قيود البيانات. فبينما تستمر القدرة الحاسوبية في التوسع وفقًا لمبادئ اقتصادية وهندسية مفهومة جيدًا، فإن بيانات التدريب "أصبحت محدودة بشكل متزايد"، على حد تعبير لي. وخلص إلى: "يبدو أن بعض أهم الأبحاث التي يجب القيام بها في المستقبل ستكون في مجالات توليد البيانات الاصطناعية والخوارزميات والهياكل المعمارية ذات الكفاءة في استخدام البيانات".

يمثل التحدي مشكلة حادة بشكل خاص للبرمجة التنافسية لأن المجال يتطلب مشاكل ذات حلول صحيحة معروفة يمكن التحقق منها تلقائيًا. على عكس مهام اللغة الطبيعية حيث تكون التقييمات البشرية أو المقاييس البديلة كافية، فإن الكود إما أن يعمل أو لا يعمل - مما يجعل توليد البيانات الاصطناعية أكثر صعوبة بكثير. حدد لي مسارًا محتملاً واحدًا: تدريب النماذج ليس فقط لحل المشكلات ولكن لتوليد مشاكل قابلة للحل، مما يتيح شكلاً من أشكال اللعب الذاتي المشابه للتقنيات التي أثبتت نجاحها في أنظمة الذكاء الاصطناعي الخاصة بلعب الألعاب. وكتب: "بمجرد حل مشكلة توليد المشكلات الاصطناعية، يصبح اللعب الذاتي اتجاهًا مثيرًا للاهتمام للغاية".

في ظل هذه التطورات، تراهن Nous Research، التي جمعت استثمارات بقيمة 65 مليون دولار، على قدرة الذكاء الاصطناعي مفتوح المصدر على المنافسة مع عمالقة التكنولوجيا الكبرى، مقدمةً بديلاً شفافًا وقابلاً للتكرار في سباق أدوات البرمجة بالذكاء الاصطناعي.

Ekhbary News Agency