وكيل البرمجة الخاص بك يمكنه الآن تعديل أوزان النموذج: كيفية إجراء تجارب فضاء الأوزان بأمان

باختصار: أتاح فريق من MIT CSAIL لنموذج رائد أن يقرأ أوزان Qwen3.5-0.8B ويعدّلها داخل بيئة Python معزولة، بميزانية صارمة من التمريرات الأمامية (forward passes) وسجل كامل لكل خطوة. ويذكر المؤلفون أن نتيجة MATH-500 ارتفعت من 7.9% إلى 48.1%. يمكنك أن تدع وكيل برمجة يعدّل أوزان النموذج بالطريقة نفسها: خمس مهام على لوحة، والميزانية مكتوبة في كل مهمة، ووكيل ثانٍ يتولى التقييم، وشخص يوافق على الملف المعدَّل.

في 2 نوفمبر 2026، نشر ريكيا تاكيهي وجايدن تيو وأليكس تشانغ وعمر خطاب Sparks of Weight-Space Programming. النموذج المستخدم في دراستهم، GPT-6 Astra، فتح موترات الأوزان، وكتب شيفرة numpy وPyTorch للتعامل معها، وصاغ فرضية، وغيّر 131,072 رقمًا في نموذج يضم 0.8 مليار معامل.

اقرأ تفاصيل الإعداد وستجدها مألوفة: بيئة معزولة، وميزانية أدوات، وسجل لكل موجّه (prompt) وخلية منفّذة. هذا وكيل برمجة مزوّد بمنظومة تشغيل (harness)، وهذه المنظومة هي الجزء الذي يمكن لفريقك نسخه اليوم.

ما فعله فريق MIT، بالأرقام

البرمجة في فضاء الأوزان تعني أن نموذجًا لغويًا كبيرًا يقرأ معاملات شبكة عصبية كبيانات ويعدّلها مباشرة، من دون نزول تدريجي (gradient descent) ومن دون جولة تدريب. ويتناول منشور MIT هذه الفكرة على نماذج صغيرة، ضمن حدود صارمة للأدوات، مع تسجيل كل خطوة.

والنتيجة الأبرز هي تعديل Qwen3.5-0.8B:

تتبّع Astra عادة النموذج في التكرار حتى نفاد الرموز إلى اتجاه واحد تكتبه طبقات MLP في الطبقتين 15 و19، ثم طرحه من 64 عمود إخراج في كل منهما: أي 131,072 وزنًا، أو 0.016% من النموذج. نقطة الحفظ المنشورة مرخّصة بموجب Apache-2.0، وتذكر بطاقتها أن موترين فقط يختلفان عن النموذج الأساسي: مصفوفتا down_proj.weight في هاتين الطبقتين.

لماذا تحدّد منظومة التشغيل النتيجة

ثمة نتيجتان في المنشور تهمّان الفريق أكثر من العنوان الرئيسي.

الميزانية غيّرت النتيجة. كان كل تمرير أمامي يعالج دفعة من 64 تسلسلًا في المتوسط. مع 10 تمريرات، بلغت MATH-500 نسبة 12.3%. ومع 25، بلغت 14.1%. ومع 50، بلغت 48.1%. النموذج نفسه، والمهمة نفسها، لكن السقف مختلف في عدد المرات التي يستطيع الوكيل اختبار فكرة ما فيها.

الأدوات غيّرت النتيجة. عندما أُتيح لـ Astra الاطلاع على أوزان نسختين من Gemma 3 270M فقط، لم يستطع تحديد أيّهما تملّقي في أي من محاولاته الأربع. وعندما أُتيحت له أداة تعيد أوزان الانتباه (attention weights) على ما يصل إلى 16 نصًا كتبها بنفسه، حدّد النموذج التملّقي في الأزواج الثلاثة كلها.

إذن، هناك رافعتان: ما يُسمح للوكيل بإنفاقه وما يُسمح له بالنظر إليه. وكلتاهما يجب أن تُكتب قبل بدء التشغيل.

والحدود واضحة بالقدر نفسه. لم يستطع Astra تحسين Gemma 3 270M على MATH-500: فمن أساس 6.8%، بلغ أفضل تعديل له 7.7%. ويفسّر المؤلفون ذلك بأن التعديل يزيل عقبة، لا أنه يضيف قدرة كان النموذج يفتقر إليها. ويصفون النتائج بالمبكّرة، وبعضها ناتج عن جولة واحدة. لذا خطّط لتجربتك كاختبار، لا كحل جاهز.

كيف تتيح لوكيل برمجة تعديل أوزان النموذج بأمان

تتسم تجربة البرمجة في فضاء الأوزان الآمنة بخمس خصائص:

1. الأوزان الأصلية للقراءة فقط بالنسبة إلى كل وكيل.
2. ميزانية التمريرات الأمامية رقم مكتوب في المهمة، وتفرضه البيئة المعزولة.
3. مجموعة التقييم التي يراها المحرّر منفصلة عن مجموعة الانحدار (regression) التي يشغّلها المراجع.
4. يبقى سجل كل جولة مرتبطًا بالمرحلة التي ينتمي إليها.
5. يوافق شخص على الملف المعدَّل قبل أن يحمّله أي شيء خارج البيئة المعزولة.

لا يحسب Sharkly التمريرات الأمامية ولا يفحص الموترات. سكربت البيئة المعزولة لديك هو من يفعل ذلك، وبيئة التشغيل لديك (Claude Code أو Codex أو وكيل آخر تستخدمه بالفعل) تتولى القراءة والتعديل. أما Sharkly فيدير العمل: من يملك كل مرحلة، وما المسموح بإنفاقه، وما عاد من نتائج، ومن اعتمدها. ويحتوي مستودع السجلات الخاص بفريق MIT على مجلد harness/ يضم إعداد Codex وسكربت البيئة المعزولة، وهو مرجع مفيد لجانب البيئة المعزولة.

المرحلة 1: التقييم الأساسي للنموذج غير المعدَّل

تشغّل المهمة الأولى تقييمك على نقطة الحفظ الأصلية وتسجّل الدرجات ومواضع فشل النموذج. وفي Qwen3.5-0.8B، بلغت 93.0% من الجولات حد الرموز. وتحتاج مهمة الفرضية إلى وصف هذا الفشل.

المرحلة 2: قراءة الأوزان وكتابة فرضية

هذه هي المهمة التي تحمل الميزانية. ضع الرقم في متن المهمة بصيغة لا يستطيع الوكيل قراءتها خطأً:

## Stage 2: Hypothesis from weights

Model: ./models/qwen3.5-0.8b-base (READ-ONLY, mounted ro)
Budget: 50 forward passes, batch 64. The sandbox stops at 50.
Tools: numpy, torch (CPU), forward() wrapper. No attention tool.
Inputs: Stage 1 failure notes (task COIN-xxx), GSM8K/MATH practice split only.
Output: one-page hypothesis naming layers, tensors and the direction to change,
plus the passes used. Do not write any weights in this stage.

الميزانية المكتوبة في المهمة وعد؛ والميزانية في غلاف البيئة المعزولة ضمان. اكتب الاثنتين، واجعل الغلاف يطبع عدد التمريرات المستخدمة ليظهر الرقم في سجل الجولة.

المرحلة 3: إجراء التعديل في نسخة معزولة

يعدّل وكيل التحرير نسخة من نقطة الحفظ ويبلّغ عن الفروق (diff). ولا يحصل أبدًا على صلاحية الكتابة على الأصل. في Sharkly، تحصل كل جولة مهمة على مجلد معزول خاص بها، ويمكن لأعمال المستودع استخدام شجرة عمل منفصلة لكل جولة، بحيث لا تستطيع المرحلة 3 المساس بما قاسته المرحلة 1.

المرحلة 4: إعادة تقييم مستقلة بواسطة وكيل مراجع

أسنِد هذه المرحلة إلى وكيل مختلف عن الذي أجرى التعديل. فهو يعيد تشغيل تقييم المرحلة 1 ويضيف مجموعة انحدار لم يرها المحرّر قط. وإذا كنت تشغّل Crew، فيمكن للقائد تسليم التعديل إلى عضو وإعادة التقييم إلى عضو آخر. ويطابق هذا النمط طاقمًا مختلط النماذج مع مراجع منفصل: فالوكيل الذي كتب التغيير ليس هو الذي يقيّمه.

فالمحرّر حسّن أداءه مقابل ما كان يراه، لذا لا يثبت كثيرًا أي تحسّن يظهر على تلك المسائل وحدها.

المرحلة 5: بوابة بشرية على الفروق

تصل المهمة الأخيرة إلى شخص ومرفق معها ثلاثة عناصر: قائمة الموترات المتغيّرة، وجدول قبل وبعد، ونتائج الانحدار التي خلص إليها المراجع. ولا يحمّل أي شيء نقطة الحفظ المعدَّلة خارج البيئة المعزولة حتى تتحرك هذه المهمة.

ينتج هذا السكربت القصير المرفق الأول. فهو يقارن نقطتي حفظ بصيغة safetensors ويسرد كل موتر تغيّر:

from safetensors import safe_open
import torch

BASE = "models/qwen3.5-0.8b-base/model.safetensors"
EDIT = "sandbox/qwen3.5-0.8b-edit/model.safetensors"

changed, total = [], 0
with safe_open(BASE, "pt") as a, safe_open(EDIT, "pt") as b:
    assert set(a.keys()) == set(b.keys()), "tensor names differ"
    for name in a.keys():
        x, y = a.get_tensor(name), b.get_tensor(name)
        total += x.numel()
        n = (x != y).sum().item()
        if n:
            changed.append((name, n, (x - y).abs().max().item()))

for name, n, dmax in changed:
    print(f"{name}: {n:,} weights changed, max |delta| {dmax:.4g}")
print(f"{sum(c[1] for c in changed):,} of {total:,} weights changed")

في نقطة الحفظ المنشورة، تقول بطاقة النموذج إنه يجب أن ترى موترين اثنين فقط من down_proj.weight. وإن مسّ تعديلك موترات لم تذكرها الفرضية قط، فهذا سبب كافٍ للتخلص منه.

تشغيل اللوحة على Sharkly

هذه هي اللوحة الخاصة بتجربة واحدة. كل صف مهمة لها مسؤولها وحالتها وسجل جولاتها.

اربط المراحل بعلاقات blocks لتُظهر اللوحة السلسلة. علاقات المهام في Sharkly واضحة في نطاقها: العلاقة تُظهر التبعية والتقدّم على البطاقة، لكنها لا تنقل مهمة ولا تبدأ جولة من تلقاء نفسها. أبقِ كل مرحلة في Backlog حتى تنتهي المرحلة السابقة لها. والمهمة المسنَدة إلى وكيل لا تبدأ جولة ما دامت في Backlog، لذا فإن نقلها خارجها هو المحفّز.

عندما تنتهي المرحلة 4، يستطيع الوكيل ترك المهمة في انتظار مراجعة بشرية، ويراها الشخص في Inbox. ويسجّل سجل التنفيذ بداية كل جولة ونهايتها واستدعاءات الأدوات والمحفّز: أي مسار التدقيق الخاص بك، محفوظًا في المرحلة التي ينتمي إليها. ولمزيد من التفاصيل حول متى توقف الوكلاء، راجع بوابات الموافقة لوكلاء البرمجة.

حدود عملية قبل أن تبدأ

• ابدأ صغيرًا. استخدمت الدراسة نماذج بحجم 0.8 مليار و270 مليون معامل مع الوصول إلى الموترات عبر المعالج. اختر نموذجًا تستطيع تقييمه في دقائق.
• لا تتوقع مكسبًا في المهارات الغائبة. تشير نتيجة Gemma إلى أن التعديل قد يزيل عائقًا أمام النموذج، لا أن يعلّمه مهارة.
• تعامل مع الجولة الواحدة كحكاية فردية. أعد التجربة بوكيل جديد قبل أن تثق في التعديل.

الخلاصة

الدرس القابل لإعادة الاستخدام من منشور MIT هو منظومة التشغيل: ميزانية مكتوبة، وأدوات محدودة، وسجل كامل، ونتائج يمكن لشخص آخر التحقق منها. وهذه هي الضوابط التي تريدها أصلًا حول أي وكيل برمجة يعدّل الشيفرة.

لتجربة ذلك، أنشئ المهام الخمس في مساحة (Space) على Sharkly، وأسنِد المراحل من 1 إلى 4 إلى وكلاء على جهازك المتصل (Computer)، واحتفظ بالمرحلة 5 لنفسك. ويمكنك بدء استخدام Sharkly مجانًا من sharkly.ai.

الأسئلة الشائعة

هل يستطيع وكيل برمجة تعديل أوزان النموذج؟

في دراسة MIT CSAIL، نعم. قرأ GPT-6 Astra موترات Qwen3.5-0.8B داخل بيئة Python معزولة وغيّر 131,072 وزنًا. ويذكر المؤلفون أن MATH-500 ارتفعت من 7.9% إلى 48.1%. لكن العمل مبكّر، وعلى نماذج صغيرة، وبعض النتائج ناتجة عن جولة واحدة.

ما هي البرمجة في فضاء الأوزان؟

أن يقرأ نموذج لغوي كبير معاملات شبكة عصبية كبيانات ويعدّلها مباشرة، من دون تدريب. فهو يحلّل الموترات بالشيفرة، ويصوغ فرضية، ويغيّر الأوزان، ويقيس الأثر بعدد محدود من التمريرات الأمامية.

لماذا تهمّ ميزانية التمريرات الأمامية؟

في تجربة الاستئصال (ablation) التي أجراها المؤلفون على Qwen، بلغت 10 تمريرات نسبة 12.3% على MATH-500، و25 تمريرة 14.1%، و50 تمريرة 48.1%. وتحدّد الميزانية عدد الأفكار التي يستطيع الوكيل اختبارها. لذا اكتبها في المهمة وافرضها في البيئة المعزولة.

هل يمكن أن يضيف تعديل الأوزان قدرات جديدة إلى النموذج؟

تشير الدراسة إلى عكس ذلك. فقد نقل أفضل تعديل أجراه Astra نموذج Gemma 3 270M من 6.8% إلى 7.7% على MATH-500. ويستنتج المؤلفون أن التعديل أزال عائقًا في Qwen بدلًا من أن يضيف قدرة.

كيف أمنع وصول الأوزان المعدَّلة إلى بيئة الإنتاج؟

اربط الأصل للقراءة فقط، وعدّل نسخة منه، وشغّل إعادة تقييم مستقلة، واشترط موافقة شخص على فروق الموترات قبل أن يحمّل أي شيء الملف خارج البيئة المعزولة.