نموذج Jev وتقنية RLCD: هل بدأ عصر نماذج القرار وانتهى عصر مساعدي البرمجة؟
سؤال واحد ظلّ يلاحق ديوجو ألميدا (Diogo Almeida) بعد مشاركته في ابتكار ChatGPT: لماذا لم تقُد نماذج الدردشة الخارقة إلى الذكاء الاصطناعي العام؟ جوابه جاء بعد عامين من العمل في الخفاء، على هيئة أسلوب تدريب جديد يحمل اسم RLCD، ونوع مختلف من النماذج الحدودية أطلقته شركته TypeSafe AI تحت اسم Jev.
ما هو نموذج Jev؟
Jev نموذج قائم على معمارية المحوِّلات (Transformer)، لكنه لا يُنتج نصًّا. يستقبل سؤالًا محدَّد النوع (Typed) ويُعيد قرارًا منظَّمًا مصحوبًا باحتمال، وهو ما تصفه الشركة بـ«نموذج النظام الأول» (System One Model) استنادًا إلى تقسيم دانيال كانمان بين التفكير السريع التلقائي والتفكير البطيء التأملي.
بعبارة أدق: Jev لم يُصمَّم ليحاور إنسانًا، بل ليخدم برمجيات أخرى تحتاج إلى حسم سريع — هل تستدعي هذه الأداة أم لا؟ هل هذا الطلب ينتمي إلى هذه الفئة أم تلك؟ ما درجة هذا المحتوى على مقياس محدَّد؟
من هو ديوجو ألميدا؟
باحث سابق في OpenAI، ومن المساهمين في العمل الذي أنتج ChatGPT وفي تطوير منهجية التعلُّم المعزَّز بالتغذية الراجعة البشرية (RLHF). هذه الخلفية تمنح طرحه الجديد ثقلًا خاصًّا: الرجل يوجّه نقده إلى المنهجية التي شارك في بنائها.
RLHF مقابل RLCD: أين يكمن الخلل؟
حجّة ألميدا الأساسية أنّ النماذج المتاحة اليوم دُرِّبت على هدفٍ فيه عيب بنيوي: إرضاء المقيِّم البشري. والنموذج الذي يتعلّم الإرضاء يتعلّم معه الثقة الزائدة، وتسطيح التنوّع في إجاباته، وتقديم ما يبدو مقنعًا على ما هو دقيق.
RLCD — أي التعلُّم المعزَّز من أجل قرارات معايَرة (Reinforcement Learning for Calibrated Decisions) — يستبدل هذا الهدف بآخر: ليس فقط أن يكون الحكم صحيحًا، بل أن يكون الاحتمال المرفق بالحكم جديرًا بالثقة. حين يقول النموذج «هذا صحيح بنسبة 70%»، يُفترض أن تصدق هذه النسبة على المدى الطويل.
المحور | RLHF | RLCD |
|---|---|---|
هدف التدريب | إرضاء التفضيل البشري | معايرة دقة القرار واحتماله |
المُخرَج | نص حرّ | قرار منظَّم + احتمال |
المخاطرة السلوكية | مجاملة المستخدم والثقة الزائدة | — |
حالة الاستخدام | الحوار والتأليف | الحسم والتوجيه والتصنيف |
كيف يعمل Jev عمليًّا؟
يتعامل النموذج عبر ثلاث بدائيات (Primitives) محدَّدة سلفًا:
- Choice — اختيار خيار واحد من قائمة معرَّفة.
- Score — تقييم مُدخَل على سُلَّم مرتَّب من المستويات.
- Noul — إسناد تقدير احتمالي.
ولأنّ النموذج لا يولّد الرموز واحدًا تلو الآخر، يمكن تقييم عدّة أحكام على التوازي بدل التسلسل، وهنا يأتي الفارق الجوهري في السرعة.
الأرقام المعلنة: السرعة والتكلفة
- السرعة: أسرع بمقدار 20 إلى 200 ضعفًا؛ وتذكر الشركة في قياساتها الداخلية رقم 193.6 ضعفًا مقارنةً بـ GPT-5.6 Terra، وزمن استجابة يتراوح بين 70 و500 ميلي ثانية.
- التكلفة: أرخص بمقدار 40 إلى 400 ضعف، وتحديدًا 444.6 ضعفًا في القياس ذاته.
- التسعير: 0.042 دولار لكل مليون رمز إدخال، مع مجانية رموز الإخراج بالكامل.
تقرّ TypeSafe صراحةً بأنّ هذه الأرقام تمثّل الحدّ الأعلى للاستخدام الواقعي، وأنّها لا تستطيع إثبات أنّ السعر غير مدعوم. القياسات كذلك أجرتها الشركة بنفسها، وأوزان النموذج وعدد معاملاته غير معلنة، والاستضافة الذاتية غير متاحة حتى الآن.
«صفر هلوسة»: قراءة دقيقة لادّعاء لافت
العبارة صحيحة بمعنى ضيّق لا ينبغي توسيعه: Jev لا يستطيع الخروج عن المخطَّط (Schema) المحدَّد له، فهو ملزَم بإعادة أحد الخيارات المعرَّفة مسبقًا. أي أنّ الهلوسة الصفرية هنا التزامٌ بالبنية، لا ضمانٌ للصواب. النموذج قد يختار الخيار الخاطئ، لكنه لن يخترع خيارًا غير موجود.
هذا التمييز هو ما يفصل بين الفهم الهندسي للنموذج وبين التسويق له، وقد نبّهت إليه تغطيات نقدية عديدة تناولت الإعلان.
من «المساعدة» إلى «الاستقلالية»
هنا موضع الجدل الأكبر. أدوات مثل Claude Code تعمل بمنطق المساعدة المباشرة: مطوّر يطلب، ونموذج يستجيب بنصّ أو بشيفرة. بينما يستهدف Jev طبقة مختلفة تمامًا: البنية التحتية للقرار داخل الوكلاء المستقلّين — تلك القرارات الصغيرة المتكرّرة التي يتّخذها الوكيل آلاف المرّات في المهمّة الواحدة، والتي تكلّف اليوم وقتًا ومالًا باهظين حين تُسنَد إلى نموذج لغوي كامل.
والقراءة الأدقّ للمشهد أنّ العلاقة تكاملية لا إحلالية: نموذج القرار السريع يتولّى التوجيه والفرز والتقييم، بينما يبقى النموذج اللغوي الكبير للتأليف والاستدلال المركَّب. أمّا عبارة «انتهى عصر مساعدي البرمجة» فهي صيغة تسويقية أكثر منها توصيفًا تقنيًّا.
لمن يصلح Jev؟
- مهندسو الوكلاء الذين يبنون أنظمة متعدّدة الخطوات وتستنزفهم كلفة الاستدلال.
- فرق البحث والاسترجاع (RAG) التي تحتاج إلى قرار سريع: هل نسترجع أم لا؟ وأيّ مصدر؟
- أنظمة التصنيف والإشراف على المحتوى والتوجيه بين النماذج (Routing).
- التطبيقات الحسّاسة لزمن الاستجابة التي لا تحتمل انتظار توليد النص.
أسئلة شائعة
ما معنى RLCD؟
التعلُّم المعزَّز من أجل قرارات معايَرة، وهو أسلوب تدريب يستهدف موثوقية الاحتمال المرفق بالقرار لا مجرّد صحّة القرار.
هل Jev بديل عن ChatGPT أو Claude؟
لا. هو نموذج قرار لا يولّد نصًّا، ويعمل في طبقة مختلفة عن النماذج التوليدية.
هل الأرقام المعلنة مستقلّة؟
لا، القياسات أجرتها الشركة المطوِّرة، والتحقّق المستقلّ لم يكتمل بعد.
كيف يمكن تجربته؟
عبر واجهة برمجية مستضافة في مرحلة وصول مبكر تعمل بنظام قائمة الانتظار.
خلاصة
ما تقدّمه TypeSafe ليس نموذجًا أذكى في الحوار، بل إعادة تعريف لما يُطلب من النموذج أساسًا: أن يحسم بدل أن يتكلّم. وإذا صحّت الأرقام تحت تدقيق مستقلّ، فإنّ أثرها الأكبر لن يظهر في تجربة المستخدم النهائي، بل في اقتصاديات بناء الوكلاء — وهو تحديدًا الموضع الذي يتعثّر فيه معظم المشاريع اليوم.
Sources:
- TypeSafe AI Releases Jev: A System One Model That Returns Typed, Calibrated Decisions Instead of Text — MarkTechPost
- What Is Jev AI? Inside TypeSafe's RLCD Model — Turing Post
- AINews: Jev, a "System One Model" — Latent Space
- New 'Reinforcement Learning For Calibrated Decisions' Makes AI Headlines But Look Past The Hype — Forbes
