Valory تكشف عن نموذج Olas Predict مفتوح الأوزان يحقق تقدمًا في التنبؤ بالوقائع الحقيقية

كشفت Valory عن Olas-Predict-Qwen3.8-27B، وهو نموذج تنبؤ مفتوح الأوزان تقول الشركة إنه لا يفصله عن نموذج المقارنة GPT-5.6 سوى 1.2 نقطة مئوية، وذلك في اختبار لأسواق تنبؤ بوقائع حقيقية. وحقق النموذج المتخصص ذو الـ27 مليار معلمة دقة متوازنة بلغت 67.3% في تقييم داخلي أجرته Valory، مقارنةً بـ68.5% لنموذج GPT-5.6، عندما زُوّد النظامان بأدلة السوق نفسها.

تطرح هذه النتيجة سؤالًا عمليًا في تطوير الذكاء الاصطناعي: ما مقدار أداء النموذج في مهمة متخصصة الذي يرجع إلى معارفه العامة، وما المقدار الذي يمكن أن توفره الأدلة ذات الصلة والتدريبات المركزة؟ وتشير أحدث تجربة أجرتها Valory إلى أن نموذجًا أصغر حجمًا وقابلًا للتكيّف قد يكون منافسًا في مهمة تنبؤ محددة بدقة، كما تُظهر أن نموذجًا أقوى وأساسًا متينًا يفسران جانبًا كبيرًا من التحسن.

ما الذي يقيسه تقييم Valory لأداء التنبؤ؟

يعرض الإعلان نتائج شملت 6,824 سوقًا للتنبؤ قابلة للبحث. واستخدم النظامان المطالبات والأدلة نفسها عند درجة حرارة صفر، كما طبقت Valory مرشحًا زمنيًا مرتبطًا بتاريخ انتهاء المعرفة المعلن لنموذج المقارنة GPT-5.6، وهو 16 فبراير 2026. ويقيّم هذا الاختبار طريقة استدلال النماذج انطلاقًا من الأدلة المقدمة إليها، بدلًا من مطالبة كل نظام بجمع معلوماته بنفسه.

وهذا النطاق مهم. فالنتائج أبلغت عنها الشركة بشأن أسواق مختارة، وليست إثباتًا مستقلًا على تكافؤ عام بين النموذجين. كما أن المقارنة النهائية منفصلة عن تجربة سابقة شملت 10,916 عينة، وعن دراسة Valory المنشورة سابقًا لنموذج ذي 14 مليار معلمة.

تمنح الدقة المتوازنة فئتي النتائج وزنًا متساويًا، ما يساعد على منع النتيجة الشائعة من الهيمنة على التقييم. وتورد Valory أيضًا درجة بريير، التي تقيّم توقعات الاحتمالات وتعاقب الأخطاء الواثقة. وكلما انخفضت درجة بريير كان ذلك أفضل؛ إذ ينبغي مكافأة المتنبئ على معايرة درجة عدم اليقين جيدًا، لا على اختيار النتيجة التي تتحقق في النهاية فحسب.

يعرض الجدول مجموعة المقارنة النهائية التي أبلغت عنها Valory. وينبغي فهم خط الأساس التاريخي GPT-4.1 بوصفه خط الأساس المحدد هذا، لا باعتباره درجة عامة جديدة لنموذج GPT-4.1.

النموذج الأساسي الأقوى يحقق معظم التحسن

يتفوق النموذج الجديد على Olas-Predict-R1-14B بنحو 22% في خطأ بريير، وبـ8.4 نقاط مئوية في الدقة المتوازنة ضمن هذه المقارنة. لكن نقطة الانطلاق، أي Qwen3.8-27B غير المدرّب، تحقق أصلًا دقة متوازنة تبلغ 66.4% ودرجة بريير قدرها 0.2235، ما يفسر جانبًا كبيرًا من التقدم.

يوفر التدريب على المجال تحسنًا إضافيًا: إذ ينخفض خطأ بريير بنحو 5%، بينما ترتفع الدقة المتوازنة بمقدار 0.9 نقطة مئوية. وينخفض خطأ المعايرة المتوقع، الذي يلخص مدى توافق الثقة المعلنة مع النتائج المرصودة، من 0.1630 إلى 0.1429، أي بتحسن يقارب 12.3%.

وهذه خلاصة أكثر فائدة من اعتبار المكاسب الجيلية كلها أثرًا للضبط الدقيق. فالنموذج الأساسي الأقوى والتدريب المتخصص يسهمان كلٌّ على حدة. ويبدو أن التدريب المتخصص يحسّن طريقة تعبير النموذج عن الاحتمالات، وهي قدرة مهمة عندما يتعين على نظام لاحق أن يقرر ما إذا كانت الأدلة قوية بما يكفي لاتخاذ إجراء.

أداة التنبؤ تجمع الأدلة، والنموذج يقدّر الاحتمالات

تصف Valory عملية تدريب تستخدم أمثلة تنبؤ خضعت للمراجعة والتعلم المعزز لتحسين تقديرات الاحتمالات. وتتولى أداة منفصلة جمع معلومات السوق والأدلة، ثم تزوّد النموذج بهذه المواد.

ويُعد هذا الفصل عنصرًا محوريًا في البنية. فنموذج اللغة مكوّن واحد ضمن نظام للتنبؤ: إذ يحدد استرجاع الأدلة المعلومات المتاحة، فيما يفسرها النموذج ويُنتج تقديرًا احتماليًا. وقد يؤدي الاستدلال القوي استنادًا إلى أدلة ضعيفة أو متقادمة مع ذلك إلى توقعات رديئة.

ويتيح هذا النهج أيضًا فرصًا لتحسين المكونات كلٌّ على حدة. إذ يمكن للمطورين تنقيح آلية الاسترجاع، أو تغيير طريقة عرض الأدلة، أو تحديث المتنبئ دون الحاجة بالضرورة إلى إعادة بناء الوكيل بأكمله. وتقيّم الدرجات المعلنة توليفة محددة من الأدلة وسلوك النموذج، لذا لا ينبغي تعميمها تلقائيًا على مسار استرجاع مختلف.

كيف تحوّل Olas نشاط الوكلاء إلى بيانات تدريب

تُعد Valory مساهمًا رئيسيًا في Olas، التي يربط نظامها المتكامل للتنبؤ بين وكلاء ينشئون الأسواق ويتداولون ويقدمون التوقعات ويحسمون النتائج. ويمكن للمتداولين شراء خدمات التنبؤ من وكلاء متخصصين عبر Mech Marketplace. وعند حسم الأحداث، يمكن مقارنة التوقعات بالنتائج، ما ينشئ سجلات للتقييم والتدريب مستقبلًا.

توفر حلقة التغذية الراجعة هذه للمشروع مصدرًا لأدلة خاصة بكل مهمة. فبدلًا من تقييم التوقع استنادًا فقط إلى مدى إقناع تفسيره، يمكن للنظام في نهاية المطاف مقارنة تقديره الاحتمالي بحدث حُسمت نتيجته. ومع ذلك، يظل حسم السوق هو ما يحدد النتيجة المستهدفة، لذا تظل صياغة السؤال وجودة الحسم عاملين مؤثرين.

استخدمت أعمال Valory المنشورة سابقًا أكثر من 200,000 سجل لتوقعات الوكلاء لتخصيص Olas-Predict-R1-14B. وأظهر تقييم منفصل لأسواق لاحقة دقةً بلغت 75.8% عبر 2,628 سوقًا. وهذه النسبة هي دقة عادية مستمدة من تقييم مختلف، ولا يمكن مقارنتها مباشرةً بالدقة المتوازنة البالغة 67.3% في الإعلان الجديد.

ما الذي تتيحه الأوزان المفتوحة للنشر؟

يتيح نموذج التنبؤ ذي الأوزان المفتوحة للمطورين استضافة النموذج وتكييفه بدلًا من الاعتماد كليًا على خدمة خاصة مستضافة عن بُعد. وبالنسبة إلى مؤسسة تعمل على بناء سير عمل للتنبؤ، قد يمنحها ذلك تحكمًا أكبر في تحديثات النموذج، والبنية التحتية لتشغيله، وكيفية التعامل مع الأدلة المقدمة.

يظل النموذج الذي يضم 27 مليار معلمة بحاجة إلى أجهزة مناسبة، إذ يتوقف استهلاك الذاكرة وزمن الاستجابة ومعدل الإنتاجية على دقة الأرقام وطول السياق ومستوى التزامن. ولا يتضمن الإعلان بيانات مقاسة عن تكاليف النشر أو معايير أداء التشغيل للنموذج الجديد، لذا فإن عدد معلماته وحده لا يثبت تمتعه بميزة محددة في تكاليف التشغيل.

وتختلف جودة التنبؤ أيضًا عن أداء التداول. فالعوائد تعتمد على أسعار السوق وتكاليف المعاملات والتنفيذ والاستراتيجية، إلى جانب التوقعات؛ وهو تمييز تعكسه القيود الواردة في بطاقة النموذج السابقة من Valory.

لذلك، فإن أهمية Olas-Predict-Qwen3.8-27B محددة النطاق لكنها جديرة بالاهتمام: إذ تفيد Valory بأن نموذجًا متخصصًا يقترب من أداء نموذجه المقارن المتقدم في التنبؤ استنادًا إلى الأدلة المقدمة، مع مكاسب قابلة للقياس بفضل التدريب المتخصص في المجال. وتتمثل فرصته التالية في تحويل التدفق المستمر للتوقعات التي حُسمت نتائجها إلى تحسينات تصمد أمام الاختبار عبر أحداث لاحقة وعمليات نشر فعلية.