Qwen 3.8 27B يقرأ أوزان الشبكات العصبية على حاسوب محمول: ماذا يعني ذلك للباحثين العرب؟

ما الذي حدث؟

نشر فريق بحثي بقيادة Rikiya Takehi ورقة بعنوان «Sparks of Weight-Space Programming» (مصنّفة كمنشور مدونة) تختبر قدرة النماذج اللغوية على قراءة أوزان الشبكات العصبية الخام وتعديلها. التجربة الأولى في الورقة تطلب من النموذج تحديد اللعبة التي دُرّبت عليها شبكة عصبية معززة، بمجرد النظر إلى أرقام الأوزان، دون أدوات تنفيذ.

سايمون ويليسون أعاد التجربة باستخدام Qwen 3.8 27B على حاسوبه المحمول عبر LM Studio. النموذج تعرّف على Breakout وPong وPac-Man، لكنه فشل في Freeway. استغرقت كل محاولة بين 46 دقيقة وساعة، باستهلاك عشرات الآلاف من رموز الاستدلال.

لماذا يهم هذا؟

• يوسّع النقاش حول «البرمجة في فضاء الأوزان» من النماذج التجارية الكبيرة إلى النماذج المفتوحة القابلة للتشغيل محليًا.
• يفتح الباب أمام أدوات تحليل وتصحيح النماذج دون إعادة تدريب مكلفة.
• يثير أسئلة حول موثوقية هذه القدرة: هل هي فهم حقيقي أم استدلال إحصائي على أنماط الأرقام؟

مقارنة: النموذج المحلي مقابل النماذج التجارية

المعيار	Qwen 3.8 27B محليًا	GPT-6 Astra (وفق الورقة)
قراءة الأوزان الخام	ناجحة في 3 من 4 ألعاب	ناجحة وفق الورقة
تعديل الأوزان	لم يُختبر في تجربة ويليسون	تعديل 0.016% من أوزان Qwen3.5-0.8B
الوقت	46–65 دقيقة لكل لعبة	غير محدد
التكلفة	مجانية بعد تحميل النموذج	استدعاء API تجاري

نقد علمي

انتقد Matthew Honnibal، مؤلف spaCy، الورقة لخلطها بين قدرة النموذج على القراءة دون أدوات، وقدرته على التعديل بمساعدة الكود. كما فكّك Sean Goedecke مثال تحسين Qwen3.5-0.8B، معتبرًا أنه يسير بخطوات باحث بشري تقليدي.

ماذا يعني للباحثين والفرق العربية؟

• الباحثون: يمكن استخدام التجربة كحالة دراسة لفهم حدود النماذج المفتوحة في تحليل الأوزان.
• الشركات: لا تزال التكلفة الزمنية مرتفعة، ولا يُنصح بالاعتماد عليها في الإنتاج.
• صناع السياسات: تبرز الحاجة إلى أطر لتقييم النماذج التي تعدّل نماذج أخرى.

تنويه: هذا المقال يلخّص معلومات من المصدر المذكور. للأرقام والتواريخ الرسمية، راجع الرابط الأصلي. لا نضيف تفاصيل غير منشورة في المصدر.