في تطور مثير للاهتمام في عالم الذكاء الاصطناعي، أظهرت دراسة بحثية جديدة أن نماذج AI مفتوحة المصدر، وتحديدًا Qwen3.8-27B، يمكنها أن تضاهي أو حتى تتفوق على أداء النماذج الاحتكارية الكبيرة في مهام كتابة الأكواد المعقدة، وذلك بجزء بسيط من التكلفة. هذا الإنجاز جاء بفضل طريقة مبتكرة تُدعى «ledger-based zero-shot self-orchestration».
الخوارزمية الجديدة والنتائج المبهرة
تعتمد هذه الطريقة الجديدة على السماح لعدة نُسخ من نفس النموذج بتفكيك المشكلات المعقدة وتنسيق حلولها عبر نظام ملفات مشترك. هذا النظام يحتفظ بخطة عمل، ملاحظات، والحل الحالي، مما يخلق سياقًا مستمرًا وفعالًا. لم تتطلب هذه الطريقة أي تدريب إضافي للموديلات، مما يجعلها حلًا عمليًا وقابلًا للتطبيق مباشرةً.
أظهرت النتائج، التي تم تقييمها على 100 مشكلة من أحدث مشكلات LiveCodeBench الصعبة، مكاسب تصل إلى 25.6 نقطة مئوية. على سبيل المثال، وصل نموذج Qwen3.8 Flash Next المنسق إلى دقة 93.0% في pass@1 مقابل 90.4% لنموذج Fable 5، بتكلفة لا تتجاوز 9% من تكلفة النموذج الاحتكاري. كما ارتفع أداء Qwen3.8-27B، الذي يعمل محليًا ومفتوح المصدر، من 66.8% إلى 92.4%.
ماذا يعني هذا للمطورين؟
برأينا، هذا التطور يمثل خطوة كبيرة نحو إضفاء الطابع الديمقراطي على الوصول إلى قدرات الذكاء الاصطناعي المتطورة في مجال كتابة الأكواد. فمعظم أداء نماذج AI المتطورة يأتي حاليًا من نماذج احتكارية باهظة الثمن. لكن هذه الطريقة تفتح الباب أمام المطورين والشركات الصغيرة للاستفادة من نماذج مفتوحة المصدر قوية دون الحاجة إلى استثمارات ضخمة في التدريب أو رسوم استخدام باهظة.
يعني هذا عمليًا أننا قد نرى تبنيًا أوسع لأدوات مساعدة المطورين المدعومة بالذكاء الاصطناعي، مع خيارات أكثر فعالية من حيث التكلفة. يمكن للمطورين الآن تجربة حلول AI قوية لكتابة وتصحيح الأكواد، مما يزيد من إنتاجيتهم وابتكاراتهم، ويقلل في الوقت نفسه الاعتماد على النماذج المغلقة.
المصدر: github.com