يقوم ميتا بشكل رائع مع لعبتهم المفتوحة المصدر، ويبدو أنهم يعملون بالفعل على Llama 4، والتي قد تنزل بحلول نهاية العام. ومع ذلك، فقد أظهر Llama 3.1 أداءً واعدًا للغاية عبر العديد من القدرات المختلفة، مثل ترميز القناع، واتباع التعليمات، وأكثر من ذلك.

جزء واحد وجدت أن الناس لا يتحدثون عنه كثيرًا، ولكنني متحمس للغاية بشأنه، هو أن ميتا تبدو وكأنها تبدأ في الاستثمار بشكل حقيقي في حالات استخدام المتعلقة بالوكيل. يذكرون أنهم يهدفون إلى وضع Llama ليس فقط كنموذج، ولكن كنظام لتوفير الأدوات التي تمكن المطورين من بناء وكلائهم المخصصين الخاصين بهم، وكذلك أنواع جديدة من السلوك الوكيلي.

لديهم تقرير عام بعنوان "نظام Llama الوكيلي" حيث يعرضون مكونات كاملة من مكدس Llama. وهذا يشمل أشياء مثل Llama Guard، وهو نموذج متخصص مدرب على إعتدال المحتوى، وكذلك Prompt Guard لمنع الهروب من السجن و Koser لمنع إنتاج الرموز غير الآمنة من قبل نماذج اللغة الكبيرة.

ولكن الجزء الأكثر إثارة للاهتمام بالنسبة لي هو قدرة استدعاء الأداة. استدعاء الأداة هو على الأرجح السبب الرئيسي الذي اضطررت فيه إلى استخدام OpenAI، لأن نماذجهم أفضل بكثير في حالات استخدام الوكيل المتعلقة باستدعاء الأداة. إذا لم تكن تعرف ما هو استدعاء الأداة، فهو مفهوم قدمته OpenAI في نهاية العام الماضي. في الجوهر، إنه نوع من النموذج مدرب على التنبؤ بالوظيفة التي يجب استدعاؤها، بالإضافة إلى المدخلات لتلك الوظيفة، بحيث يمكننا أخذ الإخراج JSON وتشغيل الوظيفة فعليًا وإرسال المعلومات مرة أخرى إلى نموذج اللغة الكبير.

تُظهر نتائج التقييم الأولية أن قدرة استدعاء الأداة لـ Llama 3.1 تبدو أنها تؤدي بشكل جيد جدًا مقارنة بنماذج أخرى مثل GPT-4 و Chinchilla 3.5. ومع ذلك، فإن معظم هذه المعايير التقييمية هي نوع من استخدام الأداة الصفري، والتي قد لا تمثل بالضرورة أداء استخدام الأداة الفعلي في العالم الحقيقي، حيث أن حالات استخدام الوكيل في العالم الحقيقي أكثر تعقيدًا، وتنطوي على استخدام متعدد الجولات للأداة، والتخطيط، والقدرات التحليلية.

الخبر السار هو أنه في نموذج Llama 3.1، يبدو أنهم قد درّبوا النموذج بشكل محدد لهذه الحوارات متعددة الجولات، بحيث إذا كان الاستفسار يتطلب استدعاءات متعددة للأداة، فإن النموذج يمكنه كتابة خطة خطوة بخطوة، واستدعاء الأدوات بترتيب، والقيام بالتحليل بعد كل استدعاء للأداة.

بشكل عام، فإن قدرة استدعاء الأداة من Llama 3.1 هي خطوة مثيرة للاهتمام بالنسبة لنا لتكون لدينا بديل لـ OpenAI لنموذج قوي للوكلاء.

Llama 3.1 هو أحدث إصدار من نموذج اللغة الكبير المفتوح المصدر من ميتا، وقد أظهر أداءً مвпечатляющ عبر مجموعة متنوعة من القدرات. وتشمل بعض النقاط الرئيسية البارزة:

• ترميز القناع: أظهر Llama 3.1 أداءً قويًا في مهام ملء القناع، حيث يُطلب من النموذج التنبؤ بالكلمات أو الرموز المفقودة في سياق معين.
• اتباع التعليمات: أثبت النموذج براعته في اتباع التعليمات المعقدة وإكمال المهام، مما يجعله أداة قيمة لبناء التطبيقات التفاعلية.
• السلوك الوكيلي: استثمرت ميتا بشكل كبير في تطوير Llama كنظام لبناء وكلاء مخصصين وتمكين أنواع جديدة من السلوك الوكيلي. وهذا يشمل مكونات مثل Llama Guard لإعتدال المحتوى و Prompt Guard لمنع المخرجات غير الآمنة.
• استدعاء الأداة: أحد الجوانب الأكثر إثارة للاهتمام في Llama 3.1 هو أداؤه القوي في مهام استدعاء الأداة. يمكن للنموذج التنبؤ بالوظائف المناسبة للاستدعاء وتوفير المدخلات اللازمة، مما يسمح ببناء تطبيقات وكيلية قوية.

في حين أن نتائج التقييم الأولية لقدرات استدعاء الأداة في Llama 3.1 واعدة، فإن الأداء في الواقع في السيناريوهات الأكثر تعقيدًا والمتعددة الجولات لا يزال مجالاً يتطلب مزيدًا من الاستكشاف. ستكون قدرة النموذج على الحفاظ على السياق، والتخطيط، والتفكير من خلال المهام متعددة الخطوات أمرًا حاسمًا لبناء أنظمة وكيلية فعالة.

بشكل عام، يمثل Llama 3.1 خطوة كبيرة إلى الأمام في تطوير نماذج اللغة الكبيرة المفتوحة المصدر، وتجعل قدراته عبر مجموعة متنوعة من المهام منصة مثيرة لبناء تطبيقات AI مبتكرة.

تستثمر ميتا بشكل كبير في حالات استخدام الوكيل المتعلقة بـ Llama، وتضعه ليس فقط كنموذج لغة، ولكن كنظام لتوفير الأدوات التي تمكن المطورين من بناء وكلائهم المخصصين الخاصين بهم وكذلك أنواع جديدة من السلوك الوكيلي.

يشمل نظام Llama الوكيلي عدة مكونات رئيسية:

1. Llama Guard: نموذج متخصص مدرب على إعتدال المحتوى ومنع الهروب من السجن.
2. Prompt Guard: أداة لمنع إنتاج الرموز غير الآمنة من قبل نماذج Llama.
3. استدعاء الأداة: قدرة قوية تسمح لنماذج Llama بالتنبؤ بالوظائف اللازمة لإكمال مهمة، وكذلك المدخلات لتلك الوظائف. هذا يمكّن الوكلاء من تفكيك المهام المعقدة إلى خطوات أصغر وتنفيذها بكفاءة.

لقد أظهر نموذج Llama 3.1 أداءً واعدًا في استدعاء الأداة، متفوقًا على نماذج مثل GPT-4 و Closure 3.5 في استخدام الأداة الصفري. ومع ذلك، فإن حالات استخدام الوكيل في العالم الحقيقي أكثر تعقيدًا، وتتطلب حوارات متعددة الجولات، والتخطيط، والقدرات التحليلية.

تم تدريب Llama 3.1 بشكل محدد لهذه الحوارات متعددة الجولات، مما يسمح للنموذج بكتابة خطط خطوة بخطوة، واستدعاء الأدوات بترتيب، والتفكير بناءً على نتائج كل استدعاء للأداة. هذا تقدم كبير نحو بناء وكلاء قويين وقادرين.

قدم فريق Llama أيضًا أمثلة على الحث التي توضح قدرة استدعاء الأداة، والتي يمكن استخدامها لضبط الإعدادات وبناء نماذج وكيلية متخصصة. هذه الشفافية والإمكانية الوصول تجعل من الأسهل على المطورين الاستفادة من قدرات Llama في تطبيقاتهم الوكيلية الخاصة بهم.

بشكل عام، يمثل نظام Llama الوكيلي خطوة مثيرة للاهتمام إلى الأمام في تمكين المطورين من بناء وكلاء مخصصين واستكشاف آفاق جديدة للسلوك الوكيلي، باستخدام القدرات القوية لنموذج اللغة Llama.

يُظهر نموذج Llama 3.1 أداءً واعدًا عبر مجموعة متنوعة من القدرات، بما في ذلك ترميز القناع، واتباع التعليمات، واستدعاء الأداة. وتُعد قدرة استدعاء الأداة مثيرة للاهتمام بشكل خاص، حيث أنها تمكّن تطوير تطبيقات وكيلية قوية.

استدعاء الأداة هو مفهوم قدمته OpenAI، حيث يتم تدريب نموذج على التنبؤ بالوظيفة التي يجب استدعاؤها لإكمال مهمة المستخدم، وكذلك المدخلات لتلك الوظيفة. هذا يسمح للنموذج بإنشاء إخراج JSON يمكن تنفيذه لاسترداد المعلومات اللازمة وتقديم استجابة للمستخدم.

يبدو أن قدرة استدعاء الأداة لنموذج Llama 3.1 تؤدي بشكل جيد مقارنة بنماذج أخرى مثل GPT-4 و Closet 3.5. ومع ذلك، فإن معظم معايير التقييم تركز على استخدام الأداة الصفري، والتي قد لا تمثل بدقة أداء النموذج في حالات استخدام الوكيل في العالم الحقيقي.

غالبًا ما تنطوي حالات استخدام الوكيل في العالم الحقيقي على حوارات متعددة الجولات، حيث لا يمكن إكمال مهمة المستخدم من خلال استدعاء أداة واحدة. بدلاً من ذلك، يحتاج النموذج إلى تفكيك المهمة إلى خطوات أصغر، واستدعاء العديد من الأدوات بترتيب، والتفكير في النتائج لتقديم استجابة شاملة. ويبدو أن نموذج Llama 3.1 مدرب بشكل محدد لهذه الأنواع من الحوارات متعددة الجولات، مما يسمح له بكتابة خطط خطوة بخطوة، واستدعاء الأدوات بترتيب، وإجراء التحليل الضروري.