من أول ما ظهرت النماذج اللغوية، كانت الطريقة الوحيدة لتحسينها واضحة كبّر النموذج. بيانات أكثر، Parameters أكثر، حوسبة تدريب أكثر. وكل ما زاد الحجم، زادت القدرة. القصة كانت بهذي البساطة تقريبًا لسنوات.
لكن في 2024 بدأ يظهر شيء ثاني. اكتشف الباحثون إن النموذج نفسه، بدون ما تغير فيه ولا قيمة وحدة، يقدر يطلع نتائج أفضل بكثير إذا أعطيته وقت أطول قبل ما يجاوب. يعني خله يكتب خطوات، يجرب أكثر من حل، يراجع نفسه، يرجع يعدل. وبس.
هذا اللي صار يسمى Test-Time Compute، أو الحساب وقت الاستدلال. وصار محور توسع ثاني، مستقل تمامًا عن حجم النموذج.
الرقم اللي لفت الانتباه جاء من دراسة لـ Snell وزملائه في Google DeepMind: نموذج صغير يفكر وقت أطول تفوق على نموذج أكبر منه بـ 14 مرة، عند نفس ميزانية الحوسبة. مو تحسن بسيط، انقلاب في المعادلة كاملة.
البداية كانت أبسط مما تتخيل
في 2022 نشر Wei وزملاؤه ورقة فيها ملاحظة عادية جدًا: إذا طلبت من النموذج يعرض خطوات حله قبل الإجابة، دقته ترتفع. هذي هي Chain-of-Thought. وبعدها بشهور جاءت مفاجأة أطرف. Kojima وفريقه اكتشفوا إن مجرد ما تضيف جملة “Let’s think step by step” في نهاية السؤال، النموذج يبدأ يفصّل ويجاوب أصح. جملة وحدة.
ليش هذا يشتغل؟
النموذج يصرف كمية حساب ثابتة على كل Token. يعني المسألة اللي تحتاج عشر خطوات استنتاج ما تنحل في تمريرة وحدة، مهما كان النموذج قوي، إلا إذا كان حافظ الجواب أصلًا. لكن لما يكتب الخطوات، كل خطوة تدخل في السياق وتصير مدخل للخطوة اللي بعدها. يعني سلسلة التفكير مو شرح لك أنت. هي ورقة مسودة يشتغل عليها النموذج.
بعدها جاءت خطوة ثانية مهمة اسمها Self-Consistency: بدل ما تاخذ إجابة وحدة، ولّد 64 إجابة بعشوائية، وشوف أي جواب تكرر أكثر. المنطق إن الطرق الصحيحة تتقاطع عند نقطة وحدة، بينما الأخطاء تتفرق في اتجاهات مختلفة.
وهنا صار عندنا أول مقبض حقيقي: عدد العينات. زده، ترتفع الدقة.
في طريقتين تصرف فيهما الوقت
كل الطرق اللي جت بعد كذا ترجع لعائلتين، والفرق بينهما يفسر أغلب اللي صار:
التفرعي (Parallel): ولّد عدة حلول مستقلة في نفس الوقت، واختر واحد. سريع لأنه يشتغل بالتوازي، لكن كل محاولة ترث نفس أخطاء النموذج، وما فيه أحد يصحح أحد.
التسلسلي (Sequential): سلسلة تفكير وحدة طويلة، كل خطوة مبنية على اللي قبلها. النموذج يجرب، يلقى تناقض، يرجع، يعيد. هنا الحوسبة تنصرف في عمق المسار مو في عرضه. وهذا اللي تسويه نماذج التفكير الحالية.
فيه ورقة اسمها Large Language Monkeys قاست حدود الطريقة الأولى بوضوح. على SWE-bench Lite، وهي مسائل GitHub حقيقية، ارتفعت نسبة الحل من 15.9% بمحاولة وحدة إلى 56% بـ 250 محاولة.
بس فيه فخ هنا. أن يكون الجواب الصحيح موجود بين 250 محاولة، هذا شيء. وأن تعرف أيهم الصحيح، شيء ثاني تمامًا. في البرمجة سهلة، تشغل الاختبارات وتعرف. في الرياضيات كذلك، فيه جواب نهائي تقارن عليه. لكن في المهام اللي ما لها مُحقق آلي، لقوا إن التصويت ونماذج المكافأة تتوقف عن التحسن بعد بضع مئات من العينات.
طيب، مين يحكم على الجواب؟
هذا السؤال فتح فرع بحثي كامل. البداية كانت مع Cobbe وفريقه في OpenAI عام 2021: درّب نموذج ثاني مهمته الوحيدة إنه يحكم على صحة الحلول، وخله يختار أفضل واحد من بينها. أسلوب اسمه Best-of-N. النتيجة كانت إن نموذج صغير مع مقيّم يعطي أداء يعادل تكبيره 30 مرة.
وبعدها ظهر فرق مهم بين نوعين من المقيّمات:
– ـORM: يحكم على الإجابة النهائية بس. صح أو غلط.
– ـPRM: يحكم على كل خطوة في السلسلة لحالها.
ورقة “Let’s Verify Step by Step” من OpenAI أثبتت تفوق الثاني بفارق واضح. والسبب منطقي: لما تراجع كل خطوة، تعرف *وين* صار الخطأ بالضبط، وما تكافئ حل وصل للجواب الصحيح بمنطق غلط.
لكن أفضل مقيّم على الإطلاق مو نموذج أصلًا. هو الواقع نفسه. في الرياضيات فيه جواب نهائي، في البرمجة فيه اختبارات تنجح أو تفشل، وفي البراهين فيه مدقق منطقي. الإشارة هذي رخيصة وما تنخدع، ويسمونها اليوم RLVR أي التعلم المعزز بمكافآت قابلة للتحقق. ولهذا السبب بالذات، نماذج التفكير طلعت في الرياضيات والبرمجة أول شيء، مو في الكتابة أو التحليل الأدبي. هناك بس كانت المكافأة الصادقة متوفرة بالجملة.
نموذج o1: خل النموذج يتعلم يفكر بنفسه
كل اللي فوق كان تقنيات تطبقها من برّا على نموذج عادي. تطلب منه يفصّل، تولّد منه عينات، تحط له مقيّم. في سبتمبر 2024 قلبت OpenAI الفكرة مع o1. بدل ما نفرض التفكير من برّا، درّب النموذج نفسه عليه.
الطريقة تعلم معزز يكافئ النموذج على صحة النتيجة النهائية، ويخليه يكتشف بنفسه إيش ينفع. يفكك المسألة، يجرب مقاربة ويتركها، يتحقق من نتيجة وسيطة قبل ما يبني عليها.
النتيجة اللي أدهشت الناس كانت شكل المنحنى: أداء o1 يتحسن بعلاقة لوغاريتمية-خطية مع حوسبة التدريب المعزز، *ومع* حوسبة التفكير وقت الاستدلال. يعني قانون توسع ثاني، تقدر تدفعه بدون ما تعيد التدريب.
لكن OpenAI أخفت سلاسل التفكير الخام وما نشرت الطريقة. فبدأ الكل يحاول يعيد إنتاج النتيجة. استمر الوضع أربعة شهور تقريبًا. وبعدها نشرت DeepSeek كل شيء.
نموذج R1: الوصفة مكشوفة
في يناير 2025 نزلت DeepSeek نموذج R1 بأوزان مفتوحة وورقة تشرح كل التفاصيل. وبعدها بشهور مرّت الورقة على مراجعة أقران ونُشرت على غلاف Nature، وهذي أول مرة تصير لنموذج لغوي كبير. والمفاجأة كانت في بساطة الوصفة.
النموذج التمهيدي R1-Zero بدأ من نموذج أساس وقفز مباشرة للتعلم المعزز، بدون أي تدريب إشرافي على سلاسل تفكير مكتوبة بشريًا. الإشارة الوحيدة كانت هل الجواب النهائي صح ولا غلط؟ ما فيه مقيّم خطوات، ولا شجرة بحث، ولا أمثلة. بس صح أو غلط.
والمنطق كان مكتوب بصراحة في الورقة: أنماط التفكير اللي يمليها البشر ممكن تحدّ استكشاف النموذج، فخلوه يكتشف طريقته بنفسه.
النتائج على مسابقة AIME 2024:
ما أحد طلب من النموذج يفكر طويل، لكنه فعلها. مع تقدم التدريب، طول الإجابة نما لحاله من حوالي ألف Token إلى قرابة عشرة آلاف. النموذج اكتشف بنفسه إن الوقت الأطول يرفع احتمال المكافأة، فبدأ يراجع خطواته ويجرب بدائل.
وسجّل الباحثون لحظة سموها “Aha Moment”: النموذج وقف في نص الحل وقال شيء معناه “لحظة، خلني أعيد التفكير في هذا”، ورجع صحح مساره. سلوك ما أحد برمجه ولا علّمه، طلع لحاله من ضغط المكافأة.
الثمن؟ R1-Zero الخالص كان صعب القراءة ويخلط لغتين في نفس السلسلة، لأن ما أحد كافأه على الوضوح. فبنوا R1 النهائي على أربع مراحل عشان يوازنون بين القدرة والانضباط.
وبعدين طلعت النسخة الرخيصة
إذا كان R1 أثبت إن التفكير الطويل يجي بتعلم معزز واسع النطاق، فورقة s1 من ستانفورد أثبتت شيء أزعج الحدس شوي جزء كبير من الأثر تقدر تاخذه بميزانية تافهة.
الوصفة من جزئين:
الأول، بيانات اسمها s1K ما تتجاوز ألف سؤال بس، منتقاة بثلاثة معايير: صعوبة، تنوع، جودة. والتدريب عليها أخذ 26 دقيقة على 16 بطاقة H100.
الثاني، وهو الأطرف، تقنية اسمها Budget Forcing. إذا حاول النموذج ينهي تفكيره بدري، امنعه وضيف كلمة “Wait” في النص. النموذج يكمّل، يراجع، وأحيانًا يكتشف غلط كان بيسلمه لك. هذي الكلمة الوحيدة رفعت دقة النموذج على AIME من 50% إلى 57%. بدون أي تدريب إضافي.
الدرس المستخلص من s1 وأخواتها إن التفكير الطويل مو مهارة تُبنى من الصفر. هي قدرة كامنة في النموذج الأساس من التدريب المسبق، وكل اللي يسويه ما بعد التدريب إنه يوقظها وينظمها.
طيب ليش هذا يشتغل أصلًا؟
الجواب “لأنه يفكر أكثر” ما يفسر شيء. فيه أربعة تفسيرات أوضح:
1. عمق حسابي أكبر. النموذج عمقه ثابت، كل Token يمر عبر نفس عدد الطبقات. هذا يحط سقف صارم على تعقيد اللي ينحسب في تمريرة وحدة. لكن كل Token إضافي يعني تمريرة كاملة جديدة تُبنى فوق اللي قبلها. يعني تحوّل بنية عرضها ثابت إلى حساب عمقه متغير.
2. التحقق أسهل من التوليد. فرق كبير بين “أنتج الحل الصحيح من العدم” و”افحص حل قدامك”. التفكير الطويل يستثمر هذا الفرق: ينتج مرشح، يفحصه، يرفضه، يعيد.
3. تأجيل الالتزام المبكر. اللي يجاوب فورًا يربط نفسه بأول مسار خطر له. واللي يفكر يقدر يستكشف فرع، يصطدم بتناقض، ويرجع.
4. توزيع الحوسبة حسب الصعوبة. مو كل المسائل زي بعض. تصرف نفس الميزانية على “كم يساوي 2+3” وعلى مسألة أولمبياد؟ هذا هدر في الأولى وبخل في الثانية.
بس لكل تفسير حد. التفكير الأطول ما يخلق معرفة مو موجودة أصلًا في أوزان النموذج، وما ينفع لما تكون المسألة استرجاع معلومة مو استنتاج.
الوجه الثاني: التفكير الزايد
لو كان التفكير الأطول خير مطلق، كانت القصة انتهت هنا. أدر المقبض للآخر وخلاص. لكن الواقع أعقد. دراسات كثيرة رصدت نفس النمط: الدقة ترتفع مع طول التفكير، توصل ذروة، وبعدين تنزل.
في إحدى التجارب المنشورة، ارتفعت الدقة من 82.2% عند 385 Token تفكير إلى 87.3% عند 1100. وبعدين نزلت إلى 70.3% لما دُفع المتوسط إلى 16 ألف Token. يعني التفكير الزايد رجّع النموذج لأسوأ من نقطة البداية.
التفسير المطروح إن التفكير الإضافي يزيد *تباين* المخرجات. يعطي النموذج فرص أكثر يلقى الحل، وفرص أكثر بنفس القدر إنه يتخلى عن حل صحيح كان واصل له.
ودراسة بقيادة باحثين من Anthropic أضافت تفصيل أدق: التوسع العكسي مو عيب موحد، هو أنماط فشل مختلفة حسب عائلة النموذج. نماذج Claude تنجرف ورا التفاصيل المشتتة في المسائل البسيطة. ونماذج o-series تقاوم التشتيت لكنها تفرط في مطابقة صياغة المسألة بقوالب محفوظة، فتطبق حل معقد على سؤال ما يطلب إلا عدّ بسيط.
وهل سلسلة التفكير صادقة؟
هذا السؤال أهم مما يبدو. فيه إغراء طبيعي إنك تقرأ سلسلة التفكير وتعتبرها نافذة على “عقل” النموذج. ولو كان هذا صحيح، كانت هدية لأمان الذكاء الاصطناعي، لأنه يكفي تراقبها عشان تكشف أي نية منحرفة.
شركة Anthropic اختبرت الفكرة بتجربة بسيطة: دسّوا للنموذج تلميحات خفية للجواب، وبعدين قاسوا هل يعترف باستخدامها في سلسلة تفكيره لما يستخدمها فعلًا.
– وعلى التلميحات الأكثر إثارة للقلق، زي استغلال ثغرة في التقييم، نزلت النسب إلى 20% و29%.
يعني في أغلب الحالات، النموذج يستخدم المعلومة ويبني حولها تبرير ما يذكرها فيه.
الخلاصة المتزنة سلسلة التفكير مو خدعة، ونماذج التفكير أصدق من غيرها بفارق معتبر، وهي أفضل نافذة عندنا حاليًا. لكنها مو ضمان، وما ينفع تبني طبقة أمان كاملة على قراءتها لحالها.
وفيه بُعد اقتصادي بعد. Tokens التفكير تتحاسب مثل غيرها. سؤال يستهلك عشرة آلاف Token قبل ما يكتب لك سطر واحد يكلف أضعاف نظيره المباشر، وياخذ وقت يخليه مو صالح لواجهة تفاعلية. ولهذا السؤال الهندسي في 2026 ما عاد “هل نستخدم نموذج تفكير؟” بل “كم من التفكير لهذا الطلب بالذات؟”
طيب كيف تستخدمه عمليًا؟
اليوم ما عادت نماذج التفكير فئة منفصلة. صارت وضع داخل النماذج العامة، تتحكم فيه بميزانية تفكير أو مستوى جهد، أو تخليه تكيفي والنموذج يقرر بنفسه.
وهذي خلاصة متى تشغله ومتى تطفيه:
| الحالة | |
|---|---|
| رياضيات، منطق، تصحيح كود معقد | تفكير طويل، وتصويت إذا احتجت |
| استرجاع معلومة، تلخيص، إعادة صياغة | بدون تفكير أو ميزانية دنيا |
| واجهة تفاعلية حساسة للسرعة | تفكير تكيفي بسقف صارم |
| وكيل يشتغل على مهمة طويلة بأدوات | تفكير + تحقق خارجي بعد كل خطوة |
| مهمة فيها مُحقق آلي (اختبارات مثلًا) | عينات متعددة + فلترة بالمحقق |
| إنتاج بحجم كبير وميزانية محدودة | نموذج صغير مقطّر من مفكّر كبير |
الخلاصة
القصة كلها تختصر في إزاحة وحدة: كنا نسأل “كم Parameter عند النموذج؟”، وصرنا نسأل “كم وقت أعطيناه يفكر؟” والإزاحة هذي ديمقراطية بطبعها. التفكير الأطول متاح لأي أحد عنده نموذج صغير وما عنده GPUs تدريب. لكنها مو مجانية، تتدفع Tokens وكلفة استدلال تتضخم بسرعة.
وأشوف إن السؤال المهم مو “هل النموذج يفكر فعلًا؟”، لأن هذي مسألة تعريف ما تنتهي. السؤال الحقيقي إننا نعرف الآن إن التفكير الأطول يرفع الدقة إلى حد معين، ونعرف كمان إن اللي يُكتب في سلسلة التفكير مو بالضرورة اللي صار داخل النموذج.
يعني صنعنا آلة تتحسن لما تتأنى، وما زلنا ما نملك قراءة موثوقة لإيش يصير أثناء تأنيها. وهذي المعركة الجاية. معركة فهم، مو معركة توسع.
Originally published on X.
