شركة وانغ يونه تطلق نيوهورس، أول نموذج مبني للوكيل

بعد تأسيس وانغ يونهي لشركته، قدم أول نتائج نموذج كبير.

علم كوانتم بيت أن مدير مختبر نويا للسفن السابق في هواوي، Pangu Large Model أسس وانغ يونهي، المسؤول، "كي يوان ليو دونغ" وأطلق النموذج الأول من نوعه القائم على الوكلاء، NeoHorse.

يُقدم نموذج Wuwen Xinqiong البنية التحتية الأساسية وتقنيات تحسين البنية التحتية، وشارك فريقا جامعة تشينغهوا وجامعة بكين في أبحاث الخوارزميات وطرق التدريب، لاستكشاف تحسين كفاءة استخدام البيانات وفعالية التدريب بعد التدريب للوكلاء.

NeoHorse-1 يحتوي على نسختين: 4B و9B، ويركز على مجموعة من القدرات المطلوبة خلال عملية الوكلاء، بما في ذلك استدعاء الأدوات، وقراءة ملاحظات البيئة، واكتشاف الأخطاء، وتعديل المسار، وإكمال المهمة في النهاية.

في تقييمات تغطي 10 جوانب، بما في ذلك عامل Harness Agent واستخدام الأدوات والكود والامتثال للتعليمات، حقق النموذج 4B بعد التدريب المُحسَّن Agentic Post-Training أداءً شاملاً مساوياً أو متفوقاً قليلاً على النموذج الأساسي 9B.

لماذا بدأت شركة كانت تؤكد دائمًا على التعاون بين النماذج المتعددة في تدريب نماذجها الخاصة؟ هل ستشارك Primal Rhythm في طاولة النماذج الأساسية؟

من إجابة NeoHorse، لم يحدث مثل هذا التغيير في الاتجاه.

يُشبه هذا النموذج خبرة التنفيذ المتراكمة من قبل Primordial Rhythm عبر نماذج متعددة، ويدخل لأول مرة في معاملات النموذج.

على مر الزمن، غالبًا ما كانت الدرجات تُستخدم كمعيار رئيسي للمقارنة بين النماذج.

لكن عندما تُدخل النماذج في أنظمة الوكلاء وتُكلّف بمهام كاملة، ينخفض تفسير درجة واحدة.

في مهمة ما، لا يكفي أن يقدم النموذج إجابة تبدو معقولة، بل يجب عليه أيضًا قراءة ملاحظات البيئة باستمرار أثناء التنفيذ، ومعالجة الأخطاء، وتعديل المسارات التالية بناءً على التقدم الفعلي؛ كما أن المتطلبات المفروضة على قدرات النموذج تختلف بين المراحل المختلفة.

وبناءً على ذلك، شكل فريق Primordial Rhythm تقييمًا.

عدم توحيد النماذج سيكون بنية مستمرة في صناعة الذكاء الاصطناعي.

كلما زاد عدد النماذج وتحسّنت التقسيمات، زادت وضوح الفروق في السعر والقدرة، وازداد الحاجة إلى نظام يجيب على عدة أسئلة—

ما النموذج الذي يجب استخدامه في هذه الخطوة؟ أي المراحل يمكن تفويضها إلى نماذج أقل تكلفة؟ متى يجب الترقية إلى نموذج بقدرة استنتاج وتنفيذ أعلى؟ ماذا يحدث إذا عُرقلت مسار تنفيذ واحد، من يجب أن يأخذ المهمة؟ هل يمكن للنماذج المتعددة أن تعمل بالتوازي لتقديم حلول، ثم دمج النتائج؟

يطلق فريق وانغ يونهي على هذا النظام اسم Routing Harness (تم دمج مشروع OpenSquilla المفتوح المصدر المرتبط به مع عدة نماذج، من خلال واجهة موحدة، لتنفيذ التوجيه الدقيق، وتبديل النماذج، والتعاون بين النماذج المتعددة أثناء تشغيل العامل).

بالمثل، بناءً على هذا المفهوم، لا يبدو أن هناك سببًا قويًا لـ "Primordial Rhythm" لتدريب نموذجها الخاص. فهناك بالفعل كمية وافرة من النماذج المتاحة في السوق، ويبدو أن الاستدعاء حسب الحاجة أكثر مرونة.

مع استمرار تشغيل نظام الجدولة، بدأت فئة أخرى من الأصول في التراكم، مثل "ما هي المهام التي تتطلب أي كفاءات؟" و"أين يفشل النموذج عادةً؟" و"ما هي مسارات الإصلاح الفعالة؟" و"ما النتائج التي يمكنها اجتياز التحقق البيئي؟"

هذه المعلومات من ناحية يمكنها تحسين تحديد المسار، ومن ناحية أخرى بدأت تمتلك قيمة تدريبية.

هذا يشبه إلى حد ما منصة تربط عدداً كبيراً من العلامات التجارية بالمستهلكين. يمكن للطلب والتعليقات وردود الفعل الاستخدامية التي تتراكم أثناء عملية التداول، أن تساعد المنتجات في العثور على مستخدمين أكثر ملاءمة، كما يمكنها أيضاً تقديم ملاحظات إضافية لفريق تطوير المنتجات.

عملية سوق خدمات المنصة تصبح مصدراً للبيانات للتحسينات المنتجة التالية.

تقوم NeoHorse بتحويل جزء من خبرات التنفيذ التي تم تجميعها في Harness إلى قدرات نموذجية.

يُذكر مصدر بيانات NeoHorse.

البيانات الأساسية الخاصة به هي دمج إشارات تنفيذ الوكيل الناتجة عن Routing Harness مع البيانات العامة لبناء نظام بيانات موجه لتدريب الوكيل بعد التدريب.

عندما يكمل الوكيل مهمة في Harness، يترك سجلاً كاملاً للتنفيذ.

1. إدخال المهمة → يحدد الموجه ما هي القدرات المطلوبة
2. → اختر نموذجًا ما
3. يقوم النموذج بالاستدلال واستدعاء الأدوات
4. → نتيجة البيئة
5. → يستمر النموذج في التنفيذ أو يحدث خطأ
6. → تبديل النظام للنموذج أو تعديل المسار
7. → المهمة تُكمل أو تفشل نهائيًا

غالبًا ما تتركز بيانات الأسئلة الشائعة على الطرفين: "السؤال" و"الإجابة".

تحتوي بيانات Routing Harness على طبقات إضافية من المعلومات: ما هي القدرات المطلوبة للمهمة، وما هي قرارات التنفيذ التي اتخذها النظام، وما هي الملاحظات التي قدمها البيئة في النهاية.

على سبيل المثال، قام الموجه في البداية بتحديد أن المهمة تتطلب نموذجًا عاديًا، لكنه فشل بشكل متكرر أثناء التنفيذ، ثم رُقّي إلى نموذج أقوى، فتم إكمال المهمة.

This trajectory contains far more information than just a failure.

يمكن للنظام معرفة ما إذا كانت التقييمات الأولية للقدرات منخفضة جدًا، وأين حدث الخطأ في النموذج، وما الاستراتيجية التي اعتمدتها النماذج الأقوى، وأي مسار تنفيذي نجح في اجتياز التحقق من البيئة، بالإضافة إلى كم عدد الرموز والوقت الإضافيين المستهلكين لإكمال المهمة.

الأهم أن ما يلاحظه Primordial Rhythm ليس تقييمًا لنموذج واحد لقدراته، بل أداءً أفقيًا متبقيًا من عدة نماذج عند مواجهة مهام مشابهة.

تتضمن سجلات التنفيذ مسارات ناجحة، بالإضافة إلى سجلات فشلت في منتصف الطريق ثم تم استلامها من قبل نماذج أخرى.

من منظور التدريب، قد توفر المسارات الفاشلة معلومات أكثر حتى.

الإجابة النهائية يمكنها إخبار النموذج بمسار قابل للتنفيذ، بينما تكمل عملية الفشل والإصلاح نوعين آخرين من المعرفة: أين من السهل حدوث الأخطاء، وكيفية التكيف بعد حدوثها.

"ما يُتعلم ليس فقط النتائج التي تقدمها نماذج متعددة، بل أيضًا المسارات التي سلكتها هذه النماذج فعليًا في بيئة المهمة"، وهي نقطة تميز نيو هورس.

إدخال جميع السجلات في التدريب لا يؤدي تلقائيًا إلى نموذج عامل أقوى.

غالبًا ما تكون مسارات الوكيل طويلة، وتحتوي على إرشادات النظام، وطلبات المستخدم، ومعاملات الأدوات، ونتائج التنفيذ، والمحاولات المتكررة، ومعلومات الأخطاء، والكثير من المخرجات الوسيطة.

بعض الخطوات لها قيمة تدريبية، بينما تكون بعضها الأخرى أقرب إلى الضوضاء. كما أن هناك بعض سير العمل الكاملة التي تكون نتائجها غير صحيحة.

يجب على Primordial Rhythm أولاً معالجة السؤال: "ما البيانات التي تستحق من النموذج تعلمها؟"

وفقًا للتقرير التقني، تخضع كل مسار للتحقق الهيكلي لضمان التوافق بين الطلب وإجابة النموذج واستدعاء الأدوات ونتائج البيئة.

بعد ذلك، سيقوم النظام بتقييم جودة التنفيذ من ستة جوانب، بما في ذلك ما إذا تم تحقيق هدف المستخدم، وما إذا تم الالتزام بالتعليمات، وما إذا كان استخدام الأدوات منطقيًا، وما إذا كانت الاستنتاجات مدعومة بالأدلة، وما إذا كان يمكن استعادة الوضع بعد وقوع خطأ، وما إذا كان النموذج أنهى المهمة في الوقت المناسب.

هناك أيضًا مشكلات يُخلط بينها في تدريب الوكلاء.

إنهاء المهمة لا يعني أن هدف المستخدم قد تم تحقيقه — فإن إخراج النموذج "لقد اكتملت المهمة" لا يشير سوى إلى توقف عملية التنفيذ، ولا يثبت أن الناتج يتوافق مع متطلبات المستخدم.

لذلك، يجب تسجيل الحالة المكتملة، ودرجة تحقيق الهدف، والأدلة البيئية، وتعليقات المستخدم كإشارات منفصلة.

بعد إكمال تصفية البيانات، يبدأ إشارة التوجيه في أداء دور آخر.

سيقوم جهاز التوجيه بتقدير القدرات المطلوبة للمهمة وتشكيل إشارات بمستويات قدرات مختلفة. يُرتب NeoHorse ترتيب العينات خلال التدريب بناءً على ذلك، حيث يبدأ بتعلم المهام ذات احتياجات القدرة الأقل، ثم يزيد تدريجيًا من تعقيد مسارات التنفيذ، مع الحفاظ على تغطية المهام الأساسية.

يُطلق على هذه الطريقة اسم "المنهاج الموجه بالمسار" أو التعلم الموجه بالمسار.

ببساطة، يحدد إشارة التوجيه على الإنترنت من يُكلَّف بالمهام، ويمكنه أيضًا إخبار النموذج أثناء مرحلة التدريب أي المهام من الأفضل تعلمها أولًا وأيها من الأفضل تعلمها لاحقًا.

بالإضافة إلى التهذيب الدقيق الإشرافي العادي، يستخدم NeoHorse أيضًا التقطير على السياسة.

يمكن فهمه على أنه السماح للطلاب أولاً بحل المسائل بطريقتهم الخاصة، ثم تقديم التوجيه من المعلم بناءً على الخطوات التي وصل إليها الطالب فعليًا.

بهذه الطريقة، يعالج النموذج المُدرِّب المشكلات التي سيواجهها النموذج الطالب ضمن توزيعه الحالي، وليس مجموعة مُعدة مسبقًا من الأخطاء القياسية.

بعد هذه المراحل، بدأت الخبرات المتراكمة من المهام الطويلة الأجل التي تنفذها النماذج المتعددة في استخدامها في التدريب اللاحق لـ NeoHorse.

بناءً على النتائج المقدمة في التقرير الفني الحالي، فإن Agentic Post-Training أدى إلى تحسينات مستقرة على كلا المقياسين 4B و9B.

فيما يتعلق بذلك، حقق NeoHorse-1-4B أداءً شاملاً (ارتفع متوسطه العام من 58.94 إلى 64.87) يعادل أفضل النماذج الحالية في نفس الحجم، حيث تفوق على نموذجه الأساسي Qwen3.5-4B في جميع المعايير القابلة للمقارنة، ويتقدم بشكل شامل على جميع النماذج الأخرى في نفس الحجم البالغ 4B.

لكن SOTA لا تعني أن القدرات موزعة بالتساوي.

يمكن رؤية أن تحسين النموذج 4B يتركز بشكل رئيسي على نوع واحد من المهام.

عادةً ما تمتلك هذه المهام سير عمل واضح نسبيًا، ويمكن ملاحظة ملاحظات البيئة، ويمكن التحقق من النجاح والفشل، كما أن معايير التسليم النهائية واضحة أيضًا.

على سبيل المثال، في مهمة جدول زمني لمشروع، وجد النموذج الأساسي الملفات في دليل العمل، لكنه لم يستمر في قراءة بريد إلكتروني يحتوي على القيود المحدثة للاعتمادات.

نتيجة لذلك، قام بإنشاء خطة بناءً على معلومات منتهية الصلاحية وكتب الملف في المكان الخطأ.

سيستمر النموذج بعد التدريب الإضافي في قراءة الأدلة الجديدة، واكتشاف تغيّر القيود، وإعادة حساب الجدول الزمني، والتحقق من النتائج، ثم حفظ المخرجات في المكان الصحيح.

يتجلى الفرق بينهما في سلسلة تنفيذ العامل.

نموذج واحد يعرف تقريبًا كيف يجب تنفيذ المهمة، بينما يعرف النموذج الآخر كيفية ربط جمع الأدلة، وتحديث القيود، والتنفيذ، والتحقق، والتوصيل في سير عمل أكثر اكتمالاً.

الوصول إلى مستوى SOTA نفسه لا يعني أن NeoHorse-1-4B يجب أن يتولى جميع المهام. إن Primordial Rhythm تهتم أكثر بكيفية تقسيم دقيق لحدود قدرات النماذج المختلفة.

المهام التي يمكن إكمالها بشكل مستقر بواسطة نموذج 4B يمكن تقليل الاعتماد على النماذج الأكبر حجمًا؛ والمهام التي يمكن إكمالها بواسطة نموذج أقوى لا تحتاج إلى الترقية المستمرة إلى النموذج الأعلى سعرًا والأكثر تقدمًا؛ وعندما تزداد الصعوبة أكثر، تُنقل إلى نموذج أقوى في مجموعة النماذج.

هنا يرتبط بشكل مباشر بين Routing Harness والنماذج المطورة داخليًا.

يقوم النموذج بتوسيع نطاق تكلفة المهام التي يمكنه تحملها باستمرار، بينما يقوم نظام التوجيه بتوزيع القدرات المختلفة في المواقع المناسبة بناءً على صعوبة المهمة وحالتها التنفيذية.

At this point, the relationship between the various product lines of Primal Rhythm has become clearer.

الطبقة الأولى هي الإصدار المفتوح المصدر OpenSquilla.

من خلال منتجات مجانية ومفتوحة المصدر ومُركّبة محليًا وسطح المكتب، تخفض Primitives Pulse عتبة استخدام وكلاء نماذج متعددة للمطورين، مع ربط المطورين بمنافذ المهام.

الطبقة الثانية هي واجهة برمجة تطبيقات TokenRhythm.

يُعرَّف بأنه "نسخة صينية من OpenRouter"، حيث يوفر واجهة موحدة لتمكين استدعاء نماذج مختلفة، ويستجيب لاحتياجات المطورين والشركات في استخدام النماذج، كما يساعد شركاء النماذج على ربط نماذجهم بتطبيقات أكثر تنوعًا.

لا تحتاج الشركات إلى تكييف واجهات نماذج متعددة بشكل منفصل لتقديم تقييمات واختيار وتبديل النماذج بسهولة أكبر.

الطبقة الثالثة هي خدمات وقدرات النشر الموجهة للشركات.

تختلف متطلبات القطاعات مثل المالية والتصنيع فيما يتعلق بالصلاحيات والاستقرار والنشر الخاص وضمانات الخدمة، مما يخلق مساحات تجارية إضافية.

الطبقة الرابعة هي NeoHorse.

تحقق NeoHorse أولاً من اتصال أساسي: الخبرات الفعالة الناتجة عن عملية تنفيذ Harness، بعد تصفية التدريب، لديها فعلاً فرصة للتحول إلى قدرات النموذج نفسها.

وهكذا، ظهرت أول نتائج على مستوى النموذج للعجلة التجارية التي اقترحها Primordial Rhythm سابقًا.

هذا يفتح أيضًا إمكانية تحسين الحسابات الاقتصادية للاستدلال.

إذا تمكّن NeoHorse من استقبال مجموعة مستقرة من مهام الوكلاء عالية التردد وذات معايير واضحة في المستقبل، فسيكتسب المنصة قدرة إضافية على توزيع الموارد بشكل ذاتي.

يمكن تحسين هذه المهام أكثر لخفض تكلفة الاستدلال وزيادة سرعة الاستجابة والاستقرار، كما تتيح مرونة أكبر في تكوين مصادر النموذج. مع استمرار تطور النموذج، هناك إمكانية لمزيد من التوسع في نطاق المهام التي يمكنه تغطيتها.

من هذا المنظور، فإن ما تسعى إليه Primordial Rhythm يشبه تراكم الخبرات الصناعية في نظام التصنيع.

توفر نماذج خارجية مجموعة من القدرات، ويقوم Harness بتنظيم التنفيذ؛ وتُدمج الخبرات المكتسبة أثناء التنفيذ في دورة تحسين النموذج التالية.

من ربط النماذج وتقديم الخدمات، إلى تحويل الخبرات الناتجة عن هذه الخدمات إلى قدرات نموذجية، وتحسين الكفاءة وجودة الخدمات بشكل إضافي، فإن هذا يمثل خطوة إضافية تخطوها Primordial Rhythm خارج منصة تجميع واجهات برمجة التطبيقات.

يمكن ربط الدورات في تصور "الإيقاع الأساسي" بعدة خطوط عمل:

1. يربط Routing Harness المطورين بمهام الوكلاء
2. → نموذج اتصال واجهة برمجة تطبيقات TokenRhythm للعرض والطلب
3. → تنفيذ من قبل منظمة Harness، تجميع مسارات المهام والمسارات
4. تم تصفية المسارات المتاحة لاستخدامها في تدريب النموذج
5. → النموذج المحدث يُعيد Harness، شارك في المهمة التكيفية
6. → تحسين تجربة المهمة، واستكشاف سرعة استجابة وكفاءة تكلفة أفضل
7. → الاستمرار في الاستخدام، والدفع، وتحسين كفاءة التشغيل
8. → دعم تحسين الخدمة والبحث والتطوير في الجولة القادمة

أحد التغييرات الأساسية هو أن المسارات التي ينتجها النموذج لم تعد تقتصر فقط على مراحل الاستهلاك والاستدعاء، بل قد تصبح مصدرًا للتدريب التالي للنموذج.

عندما يُكمل الوكيل مهمة واحدة، يحصل هارنيس على ملاحظة إضافية حول حدود القدرة.

فشل نموذج ما، وعرف النظام أين قد تظهر فجوة القدرة؛ تولى نموذج آخر بنجاح المهمة، فحصل النظام على مسار إصلاح جديد؛ ويقدم المستخدم في النهاية ملاحظات خارجية إضافية من خلال قبول أو رفض النتيجة.

كلما زاد تراكم المهام، أصبحت أحكام التوجيه أكثر دقة؛ وبعد أن تصبح أحكام التوجيه أكثر دقة، تصبح المسارات التدريبية المختارة أكثر ملاءمة للمهام الفعلية؛ وبعد أن يصبح النموذج أكثر ملاءمة للمهام، تصبح خدمة واجهة برمجة التطبيقات فرصة لتحسين التكلفة والتجربة.

إذا استمر هذا الدور على المدى الطويل، فسيتمدد الفرق بين النبض الأساسي ومنصات تجميع واجهات برمجة التطبيقات العادية ليشمل تصميم مهام التدريب، وطرق التدريب، ومعاملات النموذج.

يتم عرضه أخيرًا من خلال أداء المنتج.

هذا هو السياق الذي بدأ فيه Primordial Rhythm الحديث عن RSI (Recursive Self-Improvement، التحسين الذاتي التكراري).

يُعتبر مبدأ النبض الحالي مُحققًا ل نطاق RSI يقترب من دائرة هندسية مغلقة، ويمكن تقسيمه إلى جزأين.

الأول هو Data-RSI.

يُنفّذ النموذج المهام باستمرار في Harness، وكل توجيه، واستدعاء أداة، واستعادة من فشل، ونتيجة نهائية، يُنتج سجلاً منظّمًا جديدًا.

بعد تصفية هذه السجلات ومعالجتها، يمكن إضافتها إلى حوض البيانات للتدريب اللاحق. وبالتالي، لا يتعين على بيانات التدريب الاعتماد كليًا على الإعداد اليدوي المسبق، بل يمكنها التزايد مع الاستخدام المستمر للنظام.

الثاني هو Model-RSI.

يُحدد النظام نقاط الضعف في قدرات النموذج الحالي بناءً على نتائج التقييم، ويعدّل توزيع بيانات التدريب للدورة التالية، ويعمل على تحديث النموذج، ثم يعيد النموذج الجديد إلى Harness للمشاركة في التنفيذ.

بمعنى آخر، يتعلم النموذج من تجربة التنفيذ، ويُحدّث النموذج المُحدَّث من خلال تنفيذ مهام جديدة، مما يُنتج ملاحظات جديدة للدورة التدريبية التالية.

ومع ذلك، بناءً على المعلومات المعلنة حاليًا من NeoHorse، لا يمكن اعتبار هذا النظام RSI كاملًا.

يتم حاليًا التحقق من دورة مغلقة من "تنفيذ-تقييم-اختيار-تحديث" في التقرير الفني. لا تزال تصميم الإشارات وتصميم المكافآت وعملية التدريب مُحددة من قبل البشر، ويحتاج الأمر إلى مزيد من التجارب للتأكد من قدرة النماذج المتعددة الأجيال على الاستمرار في تحقيق مكاسب مستقرة.

لذلك، التعبير الأكثر دقة هو أن إصدار NeoHorse هذا أكمل مراجعتين.

الطبقة الأولى تتعلق بالجانب التجاري، حيث يمكن للبيانات التي يجمعها النظام الدخول في تدريب النماذج وتحويلها إلى تحسينات قابلة للقياس.

الطبقة الأخرى تقنية، حيث أكمل فريق ريادة الأعمال بقيادة وانغ يونهي تجربة هندسية واحدة موجهة نحو RSI.

Of course, for the story of Primal Rhythm to hold, it still needs to overcome several hurdles.

أولاً، هل يمكن للبيئة المفتوحة المصدر أن تتحول باستمرار إلى استخدام واردات من واجهات برمجة التطبيقات؟

ثانيًا، مع زيادة أنواع المهام، هل يمكن للنظام الاستمرار في الحصول على مسارات عامل كافية وعالية الجودة للاستخدام في التدريب؟

ثالثًا، بعد تحسين قدرات النموذج، هل يمكن تحويله بشكل مستقر إلى تجربة مهمة وأداء أكثر كفاءة، ويعكس ذلك بشكل إضافي في البيانات التشغيلية؟

رابعًا، بعد تكرار نماذج متعددة، كم من الوقت ستستمر المكاسب في الأداء؟

These issues require longer observation.

وأيضًا متغير آخر لا يمكن تجاهله— DeepSeek ، كويين، مينيماكس تتجه شركات النماذج أيضًا نحو توسيع نطاقها إلى منتجات Harness وAgent، وتصبح اتجاهات التكامل العمودي بين النماذج وبنية تحتية للوكلاء أكثر وضوحًا.

على سبيل المثال، مع إيقاع العناصر الأساسية، فإن أحد الفروق التي تمتلكها هذه الشركة حاليًا هي الحياد النموذجي، وبيانات المقارنة الأفقية التي تتشكل أثناء تنفيذها عبر النماذج.

لكن إذا كان الفرق في القدرات بين النماذج كبيرًا بما يكفي، فسيكون هناك فرصة لتحويل الجدولة عبر النماذج إلى عمل مستقل؛ وإذا بدأت النماذج الرائدة تغطي مهامًا أكثر تدريجيًا، أو إذا قام المصنعون بحزم Routing واستدعاء الأدوات واطار Agent معًا، فسيتم تقليل المساحة المتاحة للطبقة الوسطى.

عندما تصبح القدرات العليا أقوى وأرخص، لماذا لا تزال هذه الطبقة الوسطى ضرورية؟

بالنسبة لـ Primitive Rhythm، فإن NeoHorse يضيف على الأقل زاوية جديدة لمراجعة هذه المسألة.

في الماضي، أثبتت أنها تستخدم النماذج، والآن بدأت في محاولة إثبات أن البيانات المتراكمة من الاستخدام الطويل الأمد للنماذج يمكنها أيضًا أن تتحول إلى قدرات نموذجية خاصة بها.

إذا نجحت هذه الطريقة، فلن تكون حواجز كريستال موتيف فقط في استراتيجية التوجيه؛ وإذا فشلت، فما زالت تواجه جميع المشكلات التي تواجهها الطبقات الوسطى لجميع النماذج.

GitHub: https://github.com/TokenRhythm/NeoHorse

抱抱脸: https://huggingface.co/collections/TokenRhythm/neohorse-1

هذا المقال من حساب ويشات الرسمي "كيوانغ تشي"، الكاتب: هينغ يو