يقود موستيك منافسة ARC-AGI-3 على كاغل بنموذج ذكاء اصطناعي يربط التكنولوجيا

ME AI رسالة، أخبار Beating AI، CSTL التي تحتل المرتبة الأولى مؤقتًا في مسابقة ARC-AGI-3 على Kaggle، هي شركة التكنولوجيا الذكية الاصطناعية Mostik التي تم الإعلان عنها للتو، وبها حاليًا درجة 7.51%. يتكون الفريق من 15 شخصًا، بما في ذلك 12 دكتورًا وفائز بجائزة فيلدز. لكن المسابقة لم تنتهِ بعد، وسيتم إغلاق المرحلة الثانية في 30 سبتمبر، مع موعد نهائي نهائي للتقديم في 2 نوفمبر. تقوم Mostik بتمكين نماذج الذكاء الاصطناعي المختلفة من تبادل حالاتها الداخلية مباشرة. بينما تعتمد النماذج متعددة الوكلاء العادية على الرسائل النصية للاتصال، فإنها تُدرّب "جسرًا" بين نموذجين لتحويل حالات مخفية من نموذج إلى تمثيل يمكن للنموذج الآخر فهمه، دون الحاجة إلى ضبط أي من النموذجين. استخدموا في تجربتهم المنشورة نموذج GLM-5.2 بحجم 753B ونموذج Qwen3.5 بحجم 4B، ويمكن فهمه تقريبًا على أنه النموذج الكبير مسؤول عن prefill والنموذج الصغير مسؤول عن decode. GLM-5.2 لا يقرأ السؤال فحسب، بل لا يولد أي Token؛ بل تُنقل حالته الداخلية مباشرة إلى النموذج الصغير بحجم 4B لإنشاء الإجابة. تدّعي Mostik أن هذا الأسلوب يقلل الفجوة في الأداء بين النموذجين بنسبة حوالي النصف؛ مقارنةً بنموذج فردي متوسط الحجم الذي يصل إلى نفس الدقة، فإن كمية الحساب المطلوبة تبلغ حوالي 40%. ومع ذلك، فإن الأداء النهائي لا يزال أقل من أداء النموذج الكبير بحجم 753B نفسه. لم تُنشر بعد التفاصيل الخاصة بالنموذج أو Harness المستخدم لتحقيق درجة 7.51%، حيث إن التكوين 753B + 4B المذكور أعلاه هو مجرد عرض تقني آخر ولا يُعتبر التكوين الفائز. كما أن مسابقة ARC-AGI-3 تقيّم نظام الوكيل الكامل، حيث فاز الفائزون في المراحل السابقة باستخدام Qwen 3.6 27B فقط، لكنهم حصلوا على المركز الأول بفضل Harness والأدوات وإدارة السياق. من ناحية أخرى، يتطلب هذا الأسلوب الوصول إلى حالات مخفية للنموذج، وهو ما لا يمكن تحقيقه حاليًا مع النماذج السحابية مثل Claude وGPT؛ كما شكّك المهندس في Google DeepMind سوزان زانغ في أن تجميد نموذجين وتدريب "جسر" منفصل بينهما هو حقًا الحل الهندسي الأكثر كفاءة، إذا كان بالإمكان التحكم في الحالات الداخلية للنموذج بالفعل. (المصدر: BlockBeats)