نموذجا Xing4.0-29B-Intent و LingDT-Decision-1.0: لماذا تتجه هندسة الوكلاء إلى نماذج القرارات المخصصة
في 22 أكتوبر 2026، كشف مختبران صينيان عن نموذجين مخصصين لتوجيه الطلبات واستدعاء الأدوات: أطلقت شركة TeleAI (الذراع التقني لشركة China Telecom) نموذج Xing4.0-29B-Intent مفتوح المصدر برخصة Apache 2.0 مع قاعدة بيانات تضم 2.753 مليون عينة تدريب، بينما طرحت Ant Digital Technologies عائلة LingDT-Decision-1.0 (بحجمي 4B و27B) التي تخفض استهلاك التوكنات بنسبة 90% إلى 97% مقارنة بالنماذج اللغوية العامة في مهام التصنيف واتخاذ القرار.
إذا سبق لك بناء مساعد صوتي أو منظومة وكلاء متعددين في بيئة إنتاجية، فأنت تعرف جيداً أين يضيع الوقت والمال. يقول المستخدم جملة بسيطة مثل «اجعل إضاءة غرفة النوم دافئة واضبط المنبه على السابعة»، فيقوم النظام بإرسال النص إلى نموذج استدلالي ضخم. يبدأ النموذج بسلسلة تفكير طويلة لثانية ونصف، ويستهلك ثمانمئة توكن، ليخرج في النهاية كائن JSON بسيطاً لاستدعاء دالتين. بينما كل ما كنت تحتاجه في الواجهة الأمامية هو مصنف سريع يستغرق أقل من 200 مللي ثانية لتحديد الفئة واستخراج ثلاثة معاملات.
هذه الفجوة الهندسية بالذات هي السبب وراء ظهور فئة مستقلة تُعرف باسم نماذج القرارات (Decision Models) ونماذج فهم النوايا واستخراج المعاملات.
النموذج الحواري العام مقابل المخطط الصارم: أين تكمن المشكلة؟
عندما تشغّل مشروعاً صغيراً بعشرين طلباً في اليوم، لا بأس من استخدام نموذج عملاق لاختيار أداة. لكن في مراكز الاتصال التي تستقبل ملايين المكالمات يومياً أو أنظمة التكنولوجيا المالية، تواجه النماذج التوليدية العامة ثلاث عقبات واضحة:
- بطء الاستجابة الأولى. النماذج الاستدلالية مصممة للتفكير المطول قبل الإجابة، وفي المكالمات الصوتية المباشرة يعني هذا التأخير أن العميل قد يغلق الخط قبل توجيه تذكرته.
- عدم استقرار المخرجات. التوليد الحر للنصوص قد يكسر بنية JSON المطلوبة من حين لآخر، مما يعطل الأنظمة البرمجية اللاحقة.
- تكلفة غير مبررة. دفع تكلفة نموذج عملاق لمجرد اختيار تصنيف من قائمة ثابتة أو تعبئة ثلاثة حقول هو هدر مباشر للموارد.
نلاحظ هذا التوجه نحو النماذج السريعة والخفيفة بوضوح في البيانات الفعلية المجمّعة وغير المعرّفة لمنصة دردشة NeuralSpace. وفقاً لجدول chat_history خلال فترة 30 يوماً (من 22 سبتمبر إلى 21 أكتوبر 2026، بحجم عينة N = 852 رداً مكتملاً للمساعد)، يفضل المستخدمون النماذج السريعة في المهام اليومية: حيث سجّل نموذج GPT-5.4 Mini 242 رداً (بمتوسط 613 توكن وبتكلفة 1.62 توكن للرد)، تلاه DeepSeek V4.1 Flash بـ 106 ردود (بمتوسط 1,170 توكن وتكلفة 0.30 توكن فقط للرد). في المقابل، استُخدم النموذج الثقيل Claude Opus 5 في 31 مهمة تتطلب تحليلاً معمقاً (بمتوسط 2,278 توكن وتكلفة 31.20 توكن للرد). ويتكرر النمط ذاته في البرمجة بالوصف (Vibe Coding): ففي 54 جلسة مجمّعة من جدول vibe_chats خلال 90 يوماً (من 23 يوليو إلى 21 أكتوبر 2026)، تصدّر نموذجا DeepSeek V4 Flash (21 جلسة) وDeepSeek V4.1 Flash (10 جلسات).
كيف يعمل Xing4.0-29B-Intent: الجمع بين الاختيار وملء الفراغات
طوّر مختبر XingChen التابع لشركة TeleAI هذا النموذج بالاعتماد على معمارية المزيج من الخبراء Xing4.0-29B-A4B (إجمالي 29 مليار معامل مع تفعيل 4 مليارات فقط لكل توكن)، وقدّم إطار عمل موحداً يُسمى USP (Unified Schema-driven Semantic Parsing).
بدلاً من تقسيم المعالجة إلى مراحل منفصلة لتصنيف النية ثم استخراج الكيانات (NER) ثم بناء معاملات استدعاء الدوال، ينفذ النموذج المهمة كاملة في تمريرة واحدة. يتلقى المخطط المطلوب ويخرج النتيجة بصيغة JSON («الفئة + المعاملات») خلال أقل من 200 مللي ثانية، مكتفياً ببضع عشرات من التوكنات دون إطالة.
أظهرت نتائج التقييم التي نشرها الفريق التفوق في مسارين:
- التقييم المشترك (الفئة + صحة المعاملات المستخرجة): شمل 6,000 سؤال من 48 مجموعة بيانات عامة باللغتين الصينية والإنجليزية. إذا أصاب النموذج الفئة وأخطأ في معامل واحد يُحسب صفراً. حقق Xing4.0-29B-Intent مجموع 58 نقطة متفوقاً على 18 نموذجاً عاماً، منها Gemini 3.6 Flash (49 نقطة) وQwen 3.8 Max (46 نقطة) وKimi K3 (45 نقطة) وGPT-5.6 Sol (45 نقطة).
- دقة التصنيف المتعدد والعينات السلبية: شمل 5,606 أسئلة، بينها 1,666 طلباً متعدد النوايا و839 عينة سلبية لا تنتمي لأي فئة. سجّل النموذج 70 نقطة إجمالية مقابل 65 لنموذج GPT-6 Luna و56 لنموذج القرارات Jev. وظهر الفارق الأكبر في العينات السلبية (70 مقابل 35 لنموذج Jev)، حيث يمتنع النموذج عن اختلاق تصنيف خاطئ عندما لا تتوفر معلومات كافية.
إلى جانب أوزان النموذج وصورة التشغيل، أتاح الفريق مجموعة بيانات Xing4.0-29B-Intent-oss التي تضم 2.753 مليون عينة تدريب معاد هيكلتها من 61 مصدراً عبر 19 قطاعاً و52 لغة، بالإضافة إلى معيار CMPA-SLU للأوامر الصوتية المقبول في مؤتمر EMNLP 2026.
LingDT-Decision-1.0: الاختيار المتعدد وتخطيط المهام عبر مخططات DAG
في اليوم نفسه، قدمت Ant Digital Technologies نموذج LingDT-Decision-1.0 بحجمي 4B و27B لمعالجة الطلبات المركبة في خدمة العملاء وإدارة المخاطر والخدمات المالية.
تخيّل رسالة عميل تقول: «أريد استرداد المبلغ، وإلغاء التجديد التلقائي، وإعادة إصدار الفاتورة، لكن لا تحذف حسابي». المصنف التقليدي يلتقط نية واحدة ويهمل الباقي. والأهم أن هذه العمليات مرتبطة بترتيب منطقي: فالاسترداد يتطلب التحقق من الطلب أولاً، والفاتورة تعتمد على نتيجة الاسترداد، بينما يمكن إيقاف التجديد التلقائي فوراً.
يعالج LingDT-Decision-1.0 ذلك عبر دعم الاختيار المتعدد الأصلي وتمثيل اعتماديات المهام بواسطة مخطط موجه غير دوري (DAG). وفي 23 معياراً مفتوحاً، تصدرت نسخة 27B القائمة متفوقة على Microsoft-Decision-1 وJev 1.13.0 وFastino/GLiDE. وفي الاختبارات التشغيلية:
- في مهام تصنيف البيانات: انخفض استهلاك التوكنات بنسبة 97% مع تسريع المعالجة 10 مرات مقارنة بنموذج DS-V4-Flash؛
- في خدمة العملاء الذكية: انخفض استهلاك التوكنات بنسبة 90% وتضاعفت السرعة وارتفعت دقة اكتشاف المخاطر من 76% إلى 89% مقارنة بـ Qwen-3.7-Flash؛
- في التطبيقات المالية: زادت السرعة 5 مرات، وارتفعت نسبة التطابق الكامل لسلاسل الأدوات بمقدار 2.6 مرة، وقفز معدل كشف الهلوسة من 44% إلى 70%.
حدود هذه النماذج وكيف تستفيد منها عملياً
بطبيعة الحال، لا تصلح نماذج القرارات المخصصة لكتابة المقالات الإبداعية أو ابتكار أفكار الفيديو أو النقاشات المفتوحة خارج المخطط المحدد سلفاً. إذا تغيرت قواعد العمل دون تحديث قائمة الخيارات، فلن يتمكن النموذج من الارتجال.
لكن استخدامها كبوابة توجيه سريعة أمام النماذج الكبيرة يوفر الكثير من الوقت والتكلفة. سواء كنت تربط تطبيقاتك عبر واجهة API في NeuralSpace أو تبني وكلاء ذكاء اصطناعي، فالقاعدة العملية واضحة: اترك مهام الفرز واستخراج معاملات JSON للنماذج الخفيفة والسريعة، واحتفظ بالنماذج الاستدلالية الثقيلة للخطوات التي تتطلب تفكيراً وتحليلاً عميقاً.
المصادر الأصلية: تقرير QbitAI حول Xing4.0-29B-Intent، ومستودع XingChen-AGI على GitHub، وتغطية InfoQ لنموذج LingDT-Decision-1.0.