جيف ضد لايا: كيف تقضي نماذج القرار من النظام الأول على هدر الرموز في توجيه وكلاء الذكاء الاصطناعي

ما هي نماذج قرار النظام الأول في توجيه الوكلاء؟ نماذج قرار النظام الأول هي شبكات عصبية غير ذاتية الانحدار مصممة لتنفيذ قرارات تدفق التحكم المحدودة في تمرير أمامي واحد. بدلاً من توليد نص محادثة أو JSON حرفاً بحرف، تقيم بنيات مثل Jev من TypeSafe AI و Laya من ConvAI حالة التطبيق لإرجاع خيارات فئوية مُعايرة، أو درجات عددية، أو علامات منطقية في غضون مللي ثانية مع إهدار صفري لرموز الإخراج.

الاعتماد على نماذج لغة المحادثة الكبيرة خطوات التوجيه البسيطة يبدو دائماً وكأنه استخدام مطرقة ثقيلة لتعليق صورة. كل خيار توجيه فردي يؤدي إلى تشغيل حلقة توليد نص ثقيلة، مما يهدر سياق الإدخال الثمين ويحرق آلاف رموز الإخراج لمجرد جلب علامة صحيح أو خطأ بسيطة. هذا التورم في الرموز يخلق طفرات تأخير مؤلمة ويعيث فساداً في نوافذ السياق في حلقات الوكلاء المتعددة. تحل الفرق الهندسية الحديثة هذه المشكلة تبني عقلية المعالجة المزدوجة. هذا يفصل نماذج قرار النظام الأول السريعة والمحدودة عن توليد النظام الثاني الثقيل، مما يعكس الانقسام المعرفي المفصل في صعود الذكاء الاصطناعي الوكيلي: عندما تتخذ نماذج اللغة إجراءات. من خلال إسقاط توليد النص تماماً، تتحرك طبقات التحكم بشكل أسرع بكثير.

إن إلقاء نظرة على العتاد وإعدادات التدريب خلف محركات التوجيه هذه يكشف الكثير حول كيفية تعاملها مع الأحمال الثقيلة. أطلقت شركة TypeSafe AI نموذج Jev في سبتمبر 2026 كنموذج قرار API مُستضاف مخصص للتوجيه السريع بين الآلات. يعمل Jev مع نافذة سياق بحجم 64 ألف توكن، وتبلغ تكلفة توكنات الإدخال 0.042 دولار لكل مليون توكن، بينما تكون توكنات الإخراج مجانية تماماً لأنه يتخطى مرحلة توليد النصوص. تستخدم عملية التدريب تقنية التعلم التعزيزي للقرارات المعايرة لتعزيز الدقة الاحتمالية ومنع الثقة المفرطة.

من ناحية أخرى، أطلقت شركة ConvAI Innovations نموذج LAYA OPEN SOURCE بعد ثلاثة أيام كبديل مفتوح الأوزان ومرخص برخصة Apache 2.0. يعتمد Laya على هيكل ModernBERT-large بـ 421 مليون بارامتر مقترناً برؤوس اتخاذ قرار مخصصة. وفي حين يعتمد Jev على إعداد سحابي مدار، يمنح Laya الفرق تحكماً محلياً كاملاً. يتخطى كلا الأداةين التوليد التلقائي للنصوص، لكن إعداداتهما تناسب بنيات تقنية مختلفة تماماً.

تعامل نماذج اللغة القياسية المخرجات المهيكلة كفكرة لاحقة، مما يجبر المحللات على تنظيف نصوص JSON العشوائية. تستخدم نماذج القرار غير التزايدية برمجيات رياضية أساسية واضحة بدلاً من ذلك. تتضمن البرمجيات الأساسية Choice للفرز في قائمة مغلقة، وScore لقياس الأرقام، وNoul لفحص احتمالية الصح أو الخطأ المنطقية. تعود هذه البرمجيات بمخرجات محددة النوع إلى جانب درجات الثقة بدلاً من تدفقات النصوص العشوائية.

تظهر اختبارات المعيار فروقاً واضحة بين واجهات برمجة التطبيقات السحابية والإعدادات المحلية. بالنسبة للأسئلة الفردية، يتم تشغيل Laya في حوالي 32.8 ملي ثانية على وحدات معالجة الرسومات T4، بينما يستقر Jev داخل نافذة زمن انتقال الشبكة الواسعة من 136 إلى 276 ملي ثانية. ولكن عند التوسع إلى دفعات كبيرة من 50 سؤالاً متوازياً، يبقى Jev ثابتاً عند 170 ملي ثانية، بينما يرتفع Laya ليصل إلى 1,002 ملي ثانية تحت الضغط الشديد لوحدة المعالجة المركزية. يحافظ التحقق من المعايرة ودرجات Brier على موثوقية هذه النماذج قبل الإطلاق، بما يتوافق مع دليل الاختيار الموجود في How to choose your LLM : Claude, Gemini, ChatGPT and Manus.

دمج محركات القرار غير ذاتية الانحدار في تطبيقات الإنتاج يقلل من استخدام الـ tokens بنسبة تصل إلى تسعين بالمائة. تضع فرق العمل هذه النماذج مباشرة عند البنية الأمامية لتصفية النوايا بسرعة، مما يرسل طلبات المستخدمين مباشرة إلى وكلاء الاختصاص المناسب دون تشغيل prompts ثقيلة. وأيضاً، تستخدم فحص الاسترجاع المبكر بدائية Noul لتقييم الصلة بشكل فوري، مما يسقط البيانات عديمة الفائدة قبل وصولها إلى نوايا السياق اللاحقة.

تحظى إدارة الذاكرة بدعم كبير هنا أيضاً. تصميم الذاكرة ثنائية المستويات المشروح في Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI يستخدم بدائية اتخاذ قرارات سريعة لقراءة وكتابة ذرات الحالة دون ضرائب توليد. للفرق التي ترغب في مساعدة عملية، يتم تغطية أنماط نشر المؤسسات عبر Custom AI Agents and Smart Chatbots.

يكشف الاستخدام الواقعي عن حالات حافة معقدة يجب على الفرق الانتباه لها قبل إطلاق نماذج القرار مباشرة. تعاني لايا في مهام zero-shot، وتحديداً من خلال إظهار عمى النصوص حيث تنخفض الدقة إلى الصفر مع نصوص الخمير على الرغم من درجات الثقة العالية. يصل كلا النموذجين أيضاً إلى حد التصنيف حيث تنخفض جودة التصنيف إذا تجاوزت الخيارات عشرين خياراً.

عند الاختيار بين إعدادات السحابة ونقاط التحقق المحلية، يجب على القادة موازنة خصوصية البيانات، وومنة الاستجابة، والصيانة. توفر جيف رموز مخرجات بتكلفة صفرية وسهولة في التوسع، بينما توفر لايا تشغيلاً محلياً دون اتصال بالإنترنت على عتاد رخيص. إن إعداد أدوات احتياطية لمشاكل النصوص يحمي وقت تشغيل النظام، مما يتوافق مع نصائح الحوكمة من مقالة إتقان الشبح: البرمجة الوكيلة باستخدام Google Antigravity. هل أنت مستعد للتوقف عن إهدار الرموز في التوجيه الأساسي وبناء خطوط أنابيب وكيلة سريعة؟ دع VAiiBE تصمم هندسة الذكاء الاصطناعي المخصصة لك اليوم.