كشفت ورقة بحثية صادرة من معهد ماساتشوستس للتكنولوجيا عن إطار عمل جديد باسم SEAL (نماذج لغة قابلة للتكيف الذاتي) يسمح لنماذج اللغة الكبيرة بتحديث معاملاتها بشكل مستقل. يقترح الإطار آلية يمكن للنموذج من خلالها توليد بيانات تدريب خاصة به عبر عملية "تحرير ذاتي" ثم تحديث أوزانه بناءً على مدخلات جديدة، مع تعلم هذه العملية عبر التعلم المعزز حيث يُكافأ النموذج عندما يؤدي التحرير إلى تحسن الأداء.

يأتي هذا البحث وسط موجة متزايدة من الاهتمام بموضوع تطور الذكاء الاصطناعي ذاتيًا. شهد الشهر الجاري إطلاق عدة مشاريع بحثية ذات صلة من جهات منها Sakana AI وجامعة بريتش كولومبيا بمشروع Darwin-Gödel Machine، وجامعة كارنيجي ميلون بمشروع Self-Rewarding Training، بالإضافة إلى إطار عمل MM-UPT من جامعة شنغهاي جياو تونغ وإطار عمل UI-Genie من جامعة هونج كونج الصينية بالتعاون مع vivo.

تقوم آلية SEAL على فكرة أساسية تتمحور حول تمكين نماذج اللغة من تحسين نفسها عند التعامل مع بيانات جديدة بتوليد بيانات اصطناعية وتحسين معاملاتها عبر التحرير الذاتي. يعمل الإطار وفق حلقتين متداخلتين: حلقة خارجية للتعلم المعزز تحسّن توليد التحريرات، وحلقة داخلية لتحديث النموذج عبر الانحدار التدريجي. اختبر الباحثون الإطار في مجالين محددين هما دمج المعرفة والتعلم من أمثلة قليلة.

أظهرت النتائج فعالية الإطار بشكل واضح. في مجال التعلم من أمثلة قليلة استخدام نموذج Llama-3.2-1B-Instruct، حقق SEAL معدل نجاح 72.5% مقابل 20% للنماذج التقليدية و0% بدون تكيف. وفي مجال دمج المعرفة الجديدة من مقالات SQuAD باستخدام نموذج Qwen2.5-7B، تفوق الإطار على الطرق الأساسية بشكل متسق، مع تحسن سريع في الدقة على مدى التكرارات المختلفة.

مع أن الباحثين أقرّوا بوجود قيود محتملة تتعلق بنسيان المعلومات القديمة والحمل الحسابي والتقييم المعتمد على السياق، إلا أن البحث يمثل خطوة ملموسة نحو تحقيق الذكاء الاصطناعي القادر على التطور المستمر. توفر الورقة البحثية وموقع المشروع وملف البرنامج المفتوح الوصول الكامل للتفاصيل التقنية.