نموذج كيمياء بـ7 مليارات معامل يقلّص الهلوسة 79% بخدعة متعددة الوكلاء مستعارة من نظرية الألعاب

نموذج "أومني-كيم" (OmniChem)، وهو نموذج لغوي مضغوط لا يتجاوز 7 مليارات معامل (Parameters)، تمكّن من مجاراة أداء GPT-4o mini على معيار ChemBench ومجموعة من المعايير المخصصة للكيمياء، رغم أنه يعمل بجزء بسيط من القدرة الحسابية التي يحتاجها نموذج مثل GPT-4o mini. هذا الإنجاز يقف خلفه إطار عمل جديد يُدعى "جي-فريم" (G-Frame)، تم تفصيله في ورقة بحثية رُفعت إلى أرشيف الأبحاث (arXiv) في 9 يوليو 2026، وهي تشير إلى تحوّل أوسع في طريقة تعامل الباحثين مع مشكلة الهلوسة (Hallucination) في الذكاء الاصطناعي المتخصص: ليس بتكبير النموذج، بل بتوسيع دائرة التعاون بين النماذج.

يوصف "جي-فريم" بأنه نظام متعدد الوكلاء (Multi-Agent System) قابل للتكيّف، يمزج بين الاستدلال البايزي (Bayesian Inference) ومبادئ نظرية الألعاب الجماعية (Team-Game Principles)، بحيث تقوم عدة نسخ من النموذج بمراجعة وتحدي استدلال بعضها البعض قبل الاستقرار على إجابة نهائية. وعند تطبيق هذه الطريقة على "أومني-كيم"، انخفضت نسبة الهلوسة بمقدار 79.46% مقارنة بالبنية الأساسية لذات النموذج، وهو رقم كبير في مجال تكفي فيه مسارَ تفاعل كيميائي واحد مُختلَق أو خاصية جزيئية خاطئة لإخراج بحث علمي كامل عن مساره.

جزء كبير من سرّ نجاح "أومني-كيم" بهذا الحجم الصغير يعود إلى بيانات تدريبه. فقد بنى الفريق البحثي مجموعة بيانات متخصصة تضم 363,045 أثراً من سلاسل التفكير المنطقي (Chain-of-Thought)، مرتبطة بـ199,589 مجموعة من الأسئلة والأجوبة، وتم توليد كل ذلك عبر إطار "جي-فريم" نفسه. ويبدو أن هذه البيانات التركيبية المُنظّمة (Synthetic Data) هي التي تحمل العبء الأكبر، وتتيح لنموذج صغير نسبياً أن يتفوق على حجمه الحقيقي في مهام الكيمياء المتخصصة.

لماذا يتفوق تنوّع النماذج على تعقيد الأطر البرمجية

ورقة بحثية مصاحبة، رُفعت قبل أيام قليلة في 6 يوليو 2026، تدرس آلية التنسيق بين الوكلاء المتعددين بشكل أعمّ، وتخرج بنتيجة تصادم بعض الافتراضات السائدة في المجال. يقول الباحثون إن التنوّع (Heterogeneity) بين النماذج المشاركة في نظام منسّق، لا مدى تطور إطار التنسيق نفسه، ولا حتى تكرار أخذ عينات من النموذج ذاته، هو العامل الأهم في تحقيق تحسّن الأداء.

والأرقام تدعم هذا الاستنتاج: نظام متعدد الوكلاء المتنوّعين حقّق دقة تدريجية (Step-wise Accuracy) بلغت 0.64، في حين سجّلت النماذج الفردية العاملة بمفردها 0.54 فقط. هذا يعني تحسناً يقارب 2.3 مرة مقارنة بالإعدادات المتجانسة (Homogeneous Configurations)، حيث تعمل نسخ متطابقة من نفس النموذج بالتوازي. بعبارة أخرى، الجمع بين بنى نماذج مختلفة (Architectures) وتركها تتبادل مراجعة خطوات استدلال بعضها يتفوق على مجرد ضخ مزيد من القدرة الحسابية في نموذج واحد، أو حتى تشغيل عدة نسخ منه.

هذه الورقة الثانية تدور حول مفهوم الذكاء الجماعي (Collective Intelligence) في النماذج الأساسية (Foundation Models)، وقد تم قبولها كفصل في كتاب بعنوان Advances in Global Applied Artificial Intelligence، على أن يصدر رسمياً ضمن سلسلة Springer المعروفة بـ Learning and Analytics in Intelligent Systems. ويرى مؤلفو الورقة أن إطارهم متعدد الوكلاء خطوة نحو أنظمة ذكاء اصطناعي أكثر أماناً وموثوقية بطبيعتها، لأنها لا تعتمد على صحة حكم نموذج واحد بمفرده.

وبالجمع بين الورقتين، تظهر خارطة طريق عملية للفرق التي تسعى لبناء أنظمة ذكاء اصطناعي متخصصة وموثوقة دون ميزانيات ضخمة: نموذج صغير مدعوم بمجموعة بيانات تركيبية مصممة بعناية، محاط بطبقة تحقق متعددة الوكلاء مبنية على نماذج متنوعة لا نسخ متكررة. وفي مجالات حساسة كالكيمياء والبيولوجيا وغيرها من التخصصات التقنية عالية المخاطر، حيث تحمل الهلوسة تكلفة حقيقية، قد تثبت هذه المعادلة أنها أجدى من انتظار الجيل التالي من النماذج الأضخم.