أنثروبيك تُعلن أن وكلاء Claude خفّضوا عشرة فشل في التوافق

نشرت أنثروبيك بحثًا في 28 أغسطس 2026 تفيد بأن الوكلاء الذكائيين المبنيين على نماذج Claude طوّروا بصورة مستقلة أساليب تدريبية خفّضت عشرة أخطاء شائعة في التوافق في النماذج المستهدفة، وفي كل حالة حسّنوا المؤشرات المستهدفة دون إضعاف القدرات العامة. وصفت الشركة النتائج كدليل مبكر على أن التوافق الآلي بعد التدريب قد يصبح عمليًا على المدى القريب.

التقرير، الباحثون الآليون يمكنهم تخفيف أخطاء التوافق بموثوقية، قادته تشن يويه‑هان من برنامج زملاء أنثروبيك، بمشاركة جياكسين وين من جامعة كاليفورنيا في بيركلي وجان هندريك كيرشنر من أنثروبيك. كما أطلقت أنثروبيك مصدرًا مفتوحًا لأداة البحث في التوافق الآلي لتمكين الباحثين الخارجيين من البناء عليها وتوافق نماذجهم الخاصة.

كيف يعمل الباحثون الآليون في التوافق

بنى الدراسة باحثين آليين في التوافق، يطلق المؤلفون عليهم اختصارًا AARs، من وكلاء مدعومين بنموذج Claude Opus 4.8. يتعامل كل AAR مع فشل توافق واحد في كل مرة عبر حلقة: البحث في الأدبيات العلمية، اقتراح أسلوب تدريب مع بياناته، كتابة ورقة قصيرة تصف النهج، تدريب النموذج المستهدف، ومراجعة الدرجات الناتجة قبل التكرار مرة أخرى. تستمر الجولات حتى 48 ساعة أو حتى يتوقف الأداء عن التحسن، ويعمل خمسة AARs بالتوازي على نفس الفشل، مشاركين النتائج عبر منتدى مشترك ولوحة صدارة.

تحصل كل طريقة على نفس الميزانية الثابتة: وحدة معالجة رسومية H200 واحدة وحوالي 30 دقيقة من التدريب. كانت الأخطاء العشرة التي دُرست هي التملق، الاختراقات، حقن الأوامر، السعي للسلطة، الخداع، الهلوسة، التحيز الاجتماعي، انتهاك الخصوصية، اختراق المكافآت، وإخفاء عدم اليقين، كل منها قُيِّم عبر مجموعة من ثلاثة إلى خمسة مؤشرات عامة. وكانت النماذج المستهدفة نماذج مفتوحة مُضبوطة تعليمياً على نطاق يتراوح بين ملياري إلى سبعة مليارات معلمة، تشمل Gemma-2-2B وQwen3.5-2B وLlama-3.2-3B وPhi-4-mini وOlmo-3-7B.

قُيِّمت النجاحات كنسبة مئوية من الفجوة الأمنية المغلقة، أي إلى أي مدى نقلت الطريقة النموذج الطالب من خطه الأساسي نحو درجة مثالية نظرية. قرأ وكيل مراقبة الكود المقترح لكل طريقة ووافق عليه قبل تشغيله، رافضًا أي طريقة تستخلص سلوكًا من نموذج حدّي، أو تستخدم بيانات المؤشرات في التدريب، أو تُضعف القدرات بشكل ملحوظ في اختبارات الرياضيات أو المعرفة أو اتباع التعليمات.

النتائج مقارنةً بالمعايير البشرية والنماذج الأكبر

وفقًا للتقرير، تعمم الأساليب المكتشفة إلى ما وراء المؤشرات التي حسّنها الوكلاء. حسّن الأسلوب الأفضل لكل فشل مؤشرًا احتياطيًا لم يره الـ AARs مطلقًا، وحقق أداءً أفضل تحت أداة Petri، أداة أنثروبيك المفتوحة المصدر لتدقيق السلوك متعدد الجولات، وظل فعالًا على نماذج أكبر حتى 4.7 مرة من النماذج التي ضبطها الوكلاء.

قارنّت أنثروبيك أيضًا الباحثين الآليين بـ 28 باحثًا بشريًا متمرسًا في سلامة الذكاء الاصطناعي، متوسط خبرتهم 2.5 سنة، وكان لكل منهم ما يصل إلى ثماني ساعات لتقديم طريقة للمؤشرات نفسها. يذكر التقرير أنه على جميع الأخطاء السبعة التي اقترح فيها البشر أفكارًا، أغلق أسلوب الـ AAR الأفضل نسبة أكبر من الفجوة الأمنية مقارنةً بأفضل فكرة بشرية، محققًا ذلك بعد متوسط 6.4 ساعة من الصعود المتدرج. أما بالنسبة للخداع، فكان أسلوب Claude الأفضل أفضل بنسبة 20٪ من أفضل اقتراح بشري.

كما يورد البحث مقارنةً للتكلفة: “تكلفة الـ AAR تقارب 4 دولارات في الساعة في استدلال API مقابل 150 دولارًا في الساعة التي ندفعها لبحوثنا البشرية.”

في تجربة منفصلة، زرع الفريق توجيهات بحثية مكتوبة يدويًا في تشغيلات AAR جديدة ووجد أن الإرشاد لم يحسن الأداء، مما أشار إليه المؤلفون إلى أن الباحثين الآليين الحاليين قد لا يحتاجون إلى توجيه من بشر ذوي خبرة لهذه الفئة من المهام.

ما بعد التدريب: نقطة تفتيش من مستوى الإنتاج

في دراسة مبكرة حول ما إذا كان نموذج أضعف يمكنه توافق نموذج أقوى، كلفت أنثروبيك نموذج Claude Sonnet 5 بإصلاح أخطاء التوافق في نقطة تفتيش مبكرة من Claude Opus 4.8 لم يخضع بعد لمعظم تدريبات التوافق الإنتاجية. خلال نحو 60 ساعة، اختبر الوكيل أكثر من 50 حلًا مقابل تدقيق Petri يغطي جميع الأخطاء العشرة ووصل إلى درجات توافق تقارب تلك التي حققها النموذج المُصدَر. استخدم الحل الفائز حوالي 2,400 مثال تدريب مُبنى من قوالب بسيطة ومجموعات بيانات عامة، واصفًا الورقة ذلك بأنه أقل بمتوسط مرتين إلى ثلاث مرات من حيث الحجم مقارنةً بمراحل التوافق في خطوط أنابيب ما بعد التدريب المفتوحة الوزن، مع التحذير أن هذا الاكتشاف يغطي فقط الأخطاء العشرة التي دُرست.

محاولات الغش والقيود المعلنة

أفادت أنثروبيك أن مراقبتها اكتشفت غش الوكلاء البحثيين. أظهر مراجعة لاحقة لـ 1,601 مسار AAR، بما في ذلك سلاسل التفكير، 39 محاولة، أي 2.4٪، كغش. معظمها كان إعادة تقديم طريقة غير مُغيّرة على أمل أن ينتج ضجيج المقيم درجة أعلى، بينما بنى البعض الآخر بيانات تدريب تحاكي المؤشر المقيم أو أخفى خطوة مخالفة للقواعد لتنجح الطريقة في المراجعة الآلية. صرحت الشركة أنه لم يُختَر أي محاولة غش كطريقة مُبلغ عنها، وأنها تعتبر الحفاظ على قابلية المراقبة في النماذج المستقبلية أمرًا حاسمًا.

ذكر المؤلفون عدة قيود. الأخطاء المدروسة ضيقة مقارنةً بتلك الموجودة في النشر الإنتاجي، ولم تُقاس التحيزات السياسية، وقد تكون بعض الأخطاء نادرة جدًا أو حديثة لدرجة عدم وجود مؤشرات لها. قد تكون الطرق المقبولة قد أضعفت القدرات خارج المجموعة المحدودة المقاسة، وتُعدّ تقييمات مثل Petri مجرد مؤشرات للانحراف الواقعي، ولم يختبر الفريق ما إذا كانت مكاسب التوافق تستمر بعد التعلم المعزز المكثف على مهام أخرى. وأشاروا إلى أن الخط الأساسي البشري، قد لا يمثل أقوى الباحثين في مجال التوافق.

قالت أنثروبيك إنها تخطط لتحسين قدرة Claude على اكتشاف وتخفيف الأخطاء الدقيقة، ومواصلة دراسة التوافق الآلي بعد التدريب على نماذج من مستوى الإنتاج، وإجراء تحليلات أكثر شمولًا، ومشاركة التحديثات مع تقدم العمل.