كيف جيدة هي وكلاء الذكاء الاصطناعي في البحث الحقيقي؟ داخل تقرير منصة البحث العميق

随着 النماذج اللغوية الكبيرة (LLMs) تتطور بسرعة، تتطور أيضًا وعودها كمساعدين بحثيين قويين. بشكل متزايد، لا Longer ي回答ون فقط أسئلة حقيقية بسيطة – بل يتعاملون مع “مهام البحث العميق”، والتي تتضمن التفكير المتعدد الخطوات، وتقييم المعلومات المتناقضة، وجمع البيانات من جميع أنحاء الويب، ودمجها في выход متسق.

هذه القدرة الناشئة يتم تسويقها الآن تحت أسماء علامات تجارية مختلفة من قبل مختبرات كبرى – تدعو OpenAI لها “البحث العميق”، و Anthropic يسميها “التفكير الممتد”، وGemini من Google (GOOGL ) تقدم ميزات “البحث + Pro”، وPerplexity تضع علامتها “البحث المحترف” أو “البحث العميق”. ولكن كيف تكون هذه العروض فعالة في الممارسة؟ تقرير جديد من FutureSearch، بعنوان منصة البحث العميق (DRB): تقييم وكلاء البحث على الويب، يقدم التقييم الأكثر صرامة حتى الآن – وأظهر النتائج القدرات المثيرة للإعجاب والقصور الحاسمة.

ما هي منصة البحث العميق؟

تم إنشاء منصة البحث العميق بواسطة فريق FutureSearch، وهي معيار متقن بعناية لتقدير أداء وكلاء الذكاء الاصطناعي على مهام البحث على الويب متعددة الخطوات. هذه ليست أسئلة بسيطة ذات إجابات مباشرة – بل تعكس التحديات المفتوحة والمضطربة التي يواجهها المحللون والمشرعون والباحثون في الإعدادات الحقيقية.

يشمل المعيار 89 مهمة متميزة عبر 8 فئات مثل:

• إيجاد الرقم: على سبيل المثال، “كم عدد عمليات استدعاء الأجهزة الطبية من الفئة الثانية التي تم إصدارها من قبل إدارة الأغذية والأدوية؟”
• التحقق من المطالبة: على سبيل المثال، “هل ChatGPT 10 مرات أكثر استهلاكًا للطاقة من بحث Google؟”
• تجميع مجموعة البيانات: على سبيل المثال، “اتجاهات العمل للمطورين البرمجيين في الولايات المتحدة من 2019 إلى 2023”

كل نوع من أنواع المهام يتم هيكلته بعناية مع إجابات تم التحقق منها من قبل البشر وتقييمها باستخدام مجموعة بيانات مجمدة من صفحات الويب الممسوحة، المعروفة باسم RetroSearch. هذا يضمن الاتساق عبر تقييمات النموذج، وتجنب حالة الويب الحية المتغيرة.

هيكل الوكيل: ReAct وRetroSearch

في قلب منصة البحث العميق ي лежит هيكل ReAct، وهو اختصار ل “التفكير + العمل”. هذه الطريقة تقلد كيف قد يتعامل باحث بشري مع مشكلة – من خلال التفكير في المهمة، وأداء عمل مثل إجراء بحث على الويب، ومراقبة النتائج، ثم اتخاذ قرار بشأن ما إذا كان سيتم التكرار أو الاستنتاج.

في حين تتبع النماذج السابقة هذه الحلقة بشكل صريح، فإن النماذج “التفكيرية” الجديدة غالبًا ما تسهل العملية، ودمج التفكير بشكل أكثر سلاسة في أفعالها. لتأمين الاتساق عبر التقييمات، تقدم DRB RetroSearch – إصدارًا مخصصًا وثابتًا من الويب. بدلاً من الاعتماد على الإنترنت الحية، التي تتغير باستمرار، يعتمد الوكلاء على أرشيف من صفحات الويب الممسوحة باستخدام أدوات مثل Serper، Playwright، و ScraperAPI. والمقياس مثير للإعجاب:对于 المهام عالية التعقيد مثل “اجمع الأدلة”، يمكن أن يوفر RetroSearch الوصول إلى أكثر من 189,000 صفحة، جميعها مجمدة في الوقت، مما يضمن بيئة اختبار عادلة ويمكن تكرارها.

أي وكلاء الذكاء الاصطناعي يؤدون بشكل أفضل؟

من بين جميع المنافسين، ظهر o3 من OpenAI كأفضل أداء، حيث سجل 0.51 من أصل 1.0 في منصة البحث العميق. و虽然 قد يبدو هذا الرقم متواضعًا، من المهم فهم صعوبة المعيار: بسبب الغموض في تعريفات المهام وتقييمها، حتى وكيل مثالي سيكون من المحتمل أن يصل إلى حوالي 0.8 – ما يسميه الباحثون “سقف الضوضاء”. وبعبارة أخرى، حتى أفضل النماذج اليوم لا تزال تفتقر إلى الباحثين البشرين المطلعين والمنهجيين.

ومع ذلك، يقدم جدول الترتيب رؤى مثيرة. ليس فقط قاد o3 المجموعة، بل فعل ذلك بسرعة وثبات، وأظهر أداء قوي عبر جميع أنواع المهام تقريبًا. تبعه Claude 3.7 Sonnet من Anthropic، الذي أظهر مرونة في كل من “الوضع التفكيري” و “الوضع غير التفكيري”. وبرز Gemini 2.5 Pro من Google لتقديره لمهام تتطلب التخطيط المنظم والتفكير المتسلسل. في حين قدم DeepSeek-R1 مفاجأة سارة – حيث سار على قدم المساواة مع GPT-4 Turbo وضيق الفجوة في الأداء بين النماذج المفتوحة والمنغمة.

عبر اللوحة، ظهر نمط واضح: النماذج الجديدة “الممكنة بالتفكير” تفوقت بانتظام على سلالاتها السابقة، والنماذج المنغمة احتفظت بفارق ملحوظ عن بديلها المفتوح.

أين يتعثر الوكلاء؟

القراءة من خلال أنماط الفشل المحددة في تقرير منصة البحث العميق شعرت بالفamiliarity المدهشة. واحدة من أكثر الجوانب المزعجة التي واجهتها شخصيًا – خاصة خلال جلسات البحث أو إنشاء المحتوى الطويلة – هي عندما يت忘ى وكيل الذكاء الاصطناعي ببساطة ما كنا نفعل.随着 تمديد نافذة السياق، يبدأ النموذج في فقدان الخيط: تفاصيل رئيسية ت褪، وأهداف تصبح غامضة، وresponses تشعر بالانقطاع أو بدون هدف. في بعض النقاط، تعلمت أن من الأفضل تقليص الخسائر وبدء من الصفر، حتى لو ذلك يعني التخلي عن كل ما تم توليده حتى الآن.

ذلك النسيان ليس مجرد قصة شخصية – بل هو أكثر معوقات الفشل في تقييم منصة البحث العميق. ولكن ليس هو المشكلة الوحيدة المتكررة. يبرز التقرير أيضًا كيف يقع بعض النماذج في استخدام الأدوات المتكرر، حيث يكرر نفس البحث مرارًا وتكرارًا كما لو كان عالقًا في حلقة. ويظهر آخرون صياغة استفسار سيئة، حيث يطابقون الكلمات الرئيسية بلا تفكير حاسم حول كيفية البحث بشكل فعال. وأخيرًا، يقع الوكلاء ضحية الاستنتاجات المسبقة – حيث يقدمون إجابة نصف مكتملة تقنيًا ولكنها تفتقر إلى الفهم الحقيقي.

حتى بين أفضل النماذج، تكون الفروق واضحة. على سبيل المثال، أظهر GPT-4 Turbo ميلًا واضحًا إلى نسيان الخطوات السابقة، في حين كان DeepSeek-R1 أكثر عرضة ل تخيل أو اختراع معلومات تبدو معقولة ولكنها خاطئة. وعبر اللوحة، فشل النماذج بشكل متكرر في التحقق من مصادرها أو التحقق من اكتشافاتها قبل إصدار النتائج النهائية. ومن أجل أي شخص يعتمد على الذكاء الاصطناعي في العمل الجاد، ستشعر هذه القضايا بالفamiliarity المزعجة – وتشير إلى مدى المسافة التي ما زلنا بحاجة إلى السير فيها لإنشاء وكلاء يمكنهم التفكير والبحث مثل البشر.

ماذا عن الأداء المستند إلى الذاكرة؟

من المثير للاهتمام أن منصة البحث العميق también تقييم ما يسمى “وكلاء بدون أدوات” – نماذج اللغة التي تعمل بدون أي وصول إلى أدوات خارجية، مثل بحث الويب أو استرجاع الوثائق. تعتمد هذه الوكلاء完全 على بيانات التدريب الداخلية وتخزينها، وتوليد الإجابات بناءً على ما تعلموه خلال التدريب فقط. في الممارسة، هذا يعني أنهم لا يستطيعون البحث عن شيء أو التحقق من المعلومات – بل يخمنون بناءً على ما “يتذكرونه”.

وبصورة مثيرة للدهشة، أدى هؤلاء الوكلاء بدون أدوات أداءً几乎 مثل وكلاء البحث الكامل على بعض المهام. على سبيل المثال، في مهمة التحقق من المطالبة – حيث الهدف هو تقييم مدى صحة البيان – سجلوا 0.61، وهو رقم قريب جدًا من متوسط 0.62 لوكلاء الأدوات. هذا يشير إلى أن نماذج مثل o3 وClaude لديها أسباب داخلية قوية ويمكنها غالبًا التعرف على صحة المطالبات الشائعة بدون الحاجة إلى البحث على الويب.

ولكن على مهام أكثر صعوبة – مثل استخراج الرقم، الذي يتطلب تجميع قيم متعددة من مصادر مختلفة، أو جمع الأدلة، الذي يعتمد على العثور على وتقييم حقائق متنوعة في السياق – انهار هذه النماذج بدون أدوات تمامًا. بدون معلومات جديدة أو قدرات البحث في الوقت الفعلي، لم يكن لديهم ببساطة الوسائل لإنتاج إجابات دقيقة أو شاملة.

هذا التناقض يبرز نюансًا هامًا: في حين أن نماذج اللغة الحالية يمكن أن ت模ulkan “معرفة” الكثير، يعتمد البحث العميق ليس فقط على الذاكرة، ولكن على التفكير مع معلومات قابلة للتحقق ومحدثة – شيء يمكن فقط للوكلاء المجهزين بأدوات تقديمه.

أفكار ختامية

يُظهر تقرير منصة البحث العميق بشكل واضح أن أفضل وكلاء الذكاء الاصطناعي اليوم يمكن أن يتفوقوا على البشر العاديين في مهام محددة بشكل ضيق، لكنهم لا يزالون ي tụن وراء الباحثين العامين المهرة – خاصة عندما يتعلق الأمر بالتخطيط الاستراتيجي والتكيف خلال العملية والتفكير بالدقة.

يتضح هذا الفجوة بشكل خاص خلال الجلسات الطويلة أو المعقدة – شيء تعرضت له شخصيًا، حيث يت忘ى الوكيل تدريجيًا غرض المهمة، مما يؤدي إلى انهيار محبط في الاتساق والفائدة.

ما يجعل منصة البحث العميق قيمة هو أنها لا تختبر فقط المعرفة السطحية – بل تختبر تقاطع استخدام الأدوات والذاكرة والتفكير والتكيف، وoffers قريبًا من البحث الحقيقي في العالم الواقعي أكثر من معايير مثل MMLU أو GSM8k.

随着 استمرار نماذج اللغة الكبيرة في التكامل في أعمال المعرفة الجادة، ستكون أدوات FutureSearch مثل منصة البحث العميق ضرورية لتقييم ليس فقط ما تعرفه هذه الأنظمة، ولكن كيف تعمل بشكل فعال.