JOLT من Perplexity وNVIDIA: نموذج يعلّم نفسه، فهل يهزم GRPO فعلاً؟

أعلنت Perplexity بالتعاون مع NVIDIA طريقة جديدة لما بعد التدريب (post-training) اسمها JOLT، وتقول إنها بلغت دقة GRPO على اختبار MATH باستخدام عدد أقل بـ6.5 مرات من رموز التدريب. الرقم لافت، لكنه يحتاج قراءة هادئة: ما الذي قيس فعلاً؟ وما الذي لم يُقَس؟ وهل يهمّك كمطوّر لا يدرّب نماذج عملاقة؟ في هذا المقال نفكّك الفكرة بلغة بسيطة ونفصل بين الخبر والتسويق، ونشرح لماذا يتابع الباحثون هذا النوع من الأوراق عن قرب.

ما هي JOLT؟

الاسم اختصار لعبارة Joint On-policy Learning and Teaching، أي «التعلّم والتعليم المشترك أثناء التدريب». الفكرة أن نموذجاً واحداً يؤدي دورين في الوقت نفسه:

• المعلّم: يرى معلومة إضافية لا يراها الطالب، مثل الحلّ الصحيح المُتحقَّق منه، ويعطي ملاحظات على محاولات الطالب.
• الطالب: يحلّ المسألة دون أن يرى الحلّ، ويتعلّم من ملاحظات المعلّم.

الجديد أن المعلّم نفسه يُدرَّب، فلا يكتفي بتصحيح الإجابات، بل يتعلّم كيف يعطي ملاحظات يستطيع الطالب الاستفادة منها فعلاً. هذا الفارق يبدو صغيراً، لكنه يعالج مشكلة معروفة في أساليب التقطير الذاتي: معلّم يعرف الجواب لكنه يشرحه بطريقة لا يفهمها الطالب.

لماذا يحتاج التدريب إلى معلّم؟

في GRPO، وهي الخوارزمية الشائعة لتدريب نماذج الاستدلال، تحصل كل محاولة على مكافأة واحدة في نهايتها: صحيحة أو خاطئة. المشكلة أن هذه المكافأة لا تخبر النموذج أي خطوة في سلسلة الاستدلال كانت جيدة وأي خطوة أفسدت الحلّ. لذلك يحتاج إلى عدد كبير من المحاولات ليستخلص الإشارة من الضجيج، وكل محاولة تستهلك رموزاً وحوسبة.

أما في JOLT فالمعلّم يقدّم إشارة أدقّ على مستوى الخطوات، لأنه يعرف الحلّ الصحيح. ويُدرَّب المعلّم على مكافآت النتيجة من محاولاته هو، ويُعاقَب إذا ابتعدت توقعاته كثيراً عن توقعات الطالب، حتى لا ينتج ملاحظات يستحيل على الطالب استيعابها.

المعلّم الجيد لا يقول لك الإجابة الصحيحة فقط، بل يشرح لك بمستوى يناسب مكانك الحالي.

ما الذي قاسته التجربة فعلاً؟

اعتمد الرقم المعلن على نموذج Qwen3-0.6B وهدف دقة قدره 63.44% على MATH. بلغ GRPO هذا الهدف عند نقطة حفظ مرصودة بعد معالجة نحو 8.4 مليون رمز. أما ميزانية JOLT البالغة نحو 1.3 مليون رمز فقد استُنتجت من منحنى دقة مُلائَم، أي أنها تقدير وليست قياساً مباشراً.

المقياس	النتيجة المعلنة
رموز التدريب المعالَجة	أقل بـ4.3 إلى 7.4 مرات
رموز الإكمال المولَّدة	أقل بـ9.5 إلى 14.4 مرة
الرقم الدعائي على MATH	6.5 مرة

لاحظ أن الفرق يتسع إلى نحو 13 ضعفاً إذا عددنا رموز الإكمال فقط. اختيار المقياس يغيّر الصورة، وهذا سبب كافٍ للتعامل مع العناوين الرنانة بحذر. السؤال الصحيح دائماً: كفاءة في ماذا بالضبط؟ رموز مولَّدة أم رموز معالَجة أم ساعات GPU؟

JOLT+ والنتائج على المهام الأخرى

أضافت الورقة نسخة محسّنة تسمى JOLT+ تستخدم مكافآت نتيجة الطالب. تفوّقت على GRPO في عدة اختبارات:

• GSM8K: زيادة 1.5 نقطة مئوية.
• MATH: زيادة 4.2 نقطة.
• LCBv6 (برمجة): زيادة 3.0 نقاط.
• AppWorld (مهام وكلاء): زيادة 9.9 نقطة.
• Terminal-Bench 2.1: زيادة 2.7 نقطة.

لكن التفاصيل مهمة: JOLT الأساسية لا تفوز في كل مكان. على AppWorld سجّل GRPO نسبة 62.20% مقابل 51.92% لـJOLT الأساسية، وصاحبة التفوّق الكبير هي JOLT+ لا الأساسية. جُرّبت الطريقة على نماذج Qwen3 من 0.6 مليار إلى 30B-A3B، وعلى DeepSeek-V2-Lite.

هل يهمّك هذا كمطوّر؟

إن كنت لا تدرّب نماذج، فالتأثير غير مباشر لكنه حقيقي:

1. تكلفة أقل لنماذج الاستدلال: إذا صمدت النتائج على نطاق أوسع، فستنخفض كلفة إنتاج نماذج متخصصة، ومعها أسعار الواجهات البرمجية.
2. نماذج صغيرة أقوى: المكسب الأكبر ظهر على نموذج صغير، وهذا يخدم من يشغّل النماذج محلياً على عتاد محدود.
3. وكلاء أدق: تحسّن مهام الطرفية والتطبيقات يعني أن المعلّم المدرَّب قد يفيد تدريب وكلاء البرمجة على مهام طويلة متعددة الخطوات.
4. ضبط دقيق أرخص للفرق الصغيرة: إذا توفرت الشيفرة لاحقاً، قد تستطيع شركة ناشئة تحسين نموذج مفتوح لمجالها بميزانية أقل بكثير.

ما الذي لم يتحقق بعد؟

الشيفرة المصدرية لم تُنشر حتى الآن، فلا يمكن لأحد إعادة الإنتاج المستقل للنتائج. والتجارب اقتصرت على نماذج حتى 30 مليار معامل، فلا دليل بعد على السلوك مع النماذج الحدودية الضخمة. كما أن الطريقة تتطلب حلولاً مُتحقَّقاً منها أثناء التدريب، وهذا متاح في الرياضيات والبرمجة أكثر من المجالات المفتوحة.

أسئلة شائعة

هل JOLT تعني أن GRPO انتهت؟

لا. GRPO لا تحتاج إلى معلومات مميزة للمعلّم، بينما تحتاج JOLT إلى حلول مُتحقَّق منها. هذا يناسب الرياضيات والبرمجة، وأصعب في المجالات التي لا يوجد فيها جواب واحد صحيح.

هل يمكنني استخدامها اليوم؟

ليس بعد، فالورقة منشورة والشيفرة لم تصدر. ترقّب الإصدار الرسمي قبل التخطيط لأي استخدام فعلي.

هل رقم 6.5 مرة دقيق؟

هو تقدير مبني على منحنى ملاءمة وليس قياساً مباشراً، وهو خاص بنموذج صغير واختبار واحد. اعتبره مؤشراً واعداً لا ضماناً.

الخلاصة

JOLT فكرة أنيقة: بدلاً من مكافأة واحدة في نهاية كل محاولة، يتعلّم نموذج واحد أن يعلّم نفسه بملاحظات أدقّ. النتائج المعلنة واعدة خصوصاً مع النماذج الصغيرة، لكنها لا تزال تقديرية وبلا شيفرة مفتوحة. تابع الإصدار القادم، وقيّم أي ادعاء بالكفاءة بسؤال بسيط: ما المقياس المستخدم، وما الذي لم يُقَس؟

المصادر: مدونة Perplexity، MarkTechPost، AlphaSignal