DeepReinforce تطلق Ornith-1.0: عائلة نماذج برمجية مفتوحة المصدر تتعلم أطر التعلم المعزز الخاصة بها

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٧ يونيو ٢٠٢٦

تعريف Ornith-1.0 وإمكانياته في البرمجة المعتمدة على الذكاء الاصطناعي

DeepReinforce أطلقت مؤخراً Ornith-1.0، وهي عائلة نماذج مفتوحة المصدر مخصصة للبرمجة الذكية باستخدام تقنيات التعلم المعزز. هذه النماذج مبنية على نسخ متقدمة من Gemma 4 وQwen 3.5، وتضم أربع إصدارات تبدأ من نموذج 9 مليار معلمة وصولاً إلى نموذج 397 مليار معلمة بنظام mixture-of-experts.

ما يميز Ornith-1.0 هو قدرته على تعلم بناء أطره الخاصة (scaffolds) أثناء عملية التعلم المعزز، بدلاً من الاعتماد على أطر ثابتة مصممة يدوياً كما هو الحال في معظم نماذج البرمجة الوكيلة الأخرى. وهذا يعني أن النموذج لا يكتفي بحل المشكلات البرمجية بل يبتكر طريقة تنظيم وتنفيذ الحلول ذاتها بشكل مستقل.

تفاصيل تقنية وأداء النماذج

تأتي نماذج Ornith-1.0 بأحجام مختلفة:

• 9 مليار معلمة (Dense)
• 31 مليار معلمة (Dense)
• 35 مليار معلمة بنظام MoE، مع تفعيل حوالي 3 مليارات معلمة لكل رمز (Token)
• 397 مليار معلمة بنظام MoE كنموذج رائد

كل هذه النماذج متاحة تحت رخصة MIT على منصة Hugging Face، ما يسهل استخدامها وتطويرها محلياً أو في البيئات السحابية.

أما من حيث الأداء، فقد حقق نموذج Ornith-1.0 الرائد 397B نتائج متميزة على معيار SWE-Bench Verified، حيث سجل 82.4 نقطة، متفوقاً على نموذج Claude Opus 4.7 في معظم الاختبارات، رغم أنه لم يتفوق على الإصدارات الأحدث مثل Opus 4.8 أو نماذج أكبر مثل GLM-5.2-744B.

آلية حماية ضد التلاعب في التعلم المعزز

كون النموذج قادر على تعديل أطره الخاصة أثناء التعلم يطرح تحديات أمنية، خاصة احتمال تلاعب النموذج في آلية التقييم أو التحقق (reward hacking). لمواجهة هذا، اعتمد فريق DeepReinforce ثلاث طبقات حماية:

• حدود ثقة ثابتة: البيئة المحيطة، أدوات التقييم، وعزل الاختبارات كلها ثابتة ولا يمكن للنموذج تعديلها، مما يحد من قدرته على التلاعب.
• مراقب حتمي: نظام قواعد يراقب محاولة النموذج الوصول إلى مسارات غير مصرح بها أو تعديل نصوص التحقق أو استخدام أدوات غير معتمدة، ويمنع منح مكافأة لهذه المحاولات.
• حكم LLM مجمد: نموذج لغة كبير مجمد يعمل كحكم نهائي فوق أداة التحقق، يمنع المحاولات الخبيثة التي قد تمر عبر الأدوات المسموح بها.

سهولة النشر والتكامل مع بيئات العمل

النماذج متوافقة مع عدة أطر تشغيل مثل vLLM، SGLang، وTransformers، وتتوفر عبر نقاط نهاية متوافقة مع OpenAI، مما يتيح دمجها بسهولة في أنظمة الوكلاء البرمجيين الحالية دون الحاجة لتعديلات برمجية كبيرة.

كما أن النسخة الأصغر 9B يمكن تشغيلها على بطاقة GPU واحدة بسعة 80 جيجابايت، مع حجم تخزين يبلغ حوالي 19 جيجابايت بصيغة bf16، مما يجعلها مناسبة للتجارب المحلية والتطوير السريع.

لماذا يهم إطلاق Ornith-1.0؟

تمثل Ornith-1.0 نقلة نوعية في مجال النماذج البرمجية المعتمدة على الذكاء الاصطناعي، حيث تقدم نموذجاً قادراً على تطوير أطره الداخلية للتعلم والتعامل مع المهام البرمجية بذكاء ذاتي متطور. هذا يقلل الاعتماد على التصميم اليدوي ويزيد من فعالية وكفاءة النماذج الذكية في بيئات العمل الحقيقية.

بالإضافة إلى ذلك، كون جميع النماذج مفتوحة المصدر وتحت رخصة MIT يشجع على الابتكار المجتمعي والتطوير المفتوح، ما قد يؤدي إلى تحسينات أسرع واعتماد أوسع في الصناعات التقنية المختلفة.

أسئلة شائعة

ما الفرق بين Ornith-1.0 والنماذج الأخرى في مجال البرمجة الذكية؟

Ornith-1.0 لا يعتمد على أطر ثابتة مبرمجة مسبقاً بل يتعلم أطره البرمجية بشكل مستقل أثناء التعلم المعزز، مما يمنحه مرونة وفاعلية أكبر في حل المشكلات.

هل يمكن تشغيل نماذج Ornith-1.0 على أجهزة عادية؟

النسخة الأصغر 9B يمكن تشغيلها على بطاقة GPU واحدة بسعة 80 جيجابايت، مما يجعلها مناسبة للاستخدام المحلي، أما الإصدارات الأكبر فتحتاج إلى موارد حوسبة عالية.

كيف تضمن DeepReinforce أمان عمليات التعلم وعدم التلاعب؟

تستخدم الشركة ثلاث طبقات حماية تشمل حدود ثقة ثابتة، مراقب حتمي، وحكم LLM مجمد لمنع التلاعب في آلية التقييم والمكافآت.