نسخة Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# HybridAgent يختبر الاستدلال الكامن إلى جانب استخدام الأدوات عبر النص

> توضح مسودة بحثية جديدة وشيفرة منشورة كيف يبدّل HybridAgent بين الاستدلال الكامن واستخدام الأدوات عبر النص. والتحسينات المقاسة تأتي من إعداد الاختبارات لدى المؤلفين.

By BIG CHANGE Editorial

Published: 2026-10-19T07:00:34.991Z
Updated: 2026-10-19T07:00:34.991Z
Canonical: https://bigchange.ai/blog/hybridagents-latent-reasoning-text-tool-use-paper

![Conceptual charcoal illustration of a continuous accordion paper strip with dark folded sections and completely blank pale sections.](https://bigchange.ai/api/media/file/hybridagent-latent-text-accordion-concept-v2.png)
AI-generated conceptual illustration by BIG CHANGE; no actual model trace, architecture or test result is depicted.

على الوكيل الذي يستدعي محرك بحث أن يصوغ الاستعلام نصيًا ويقرأ النتيجة. ولا يلزم أن يتبع استدلاله الداخلي الصيغة نفسها. في [مسودة بحثية مؤرخة في 13 أكتوبر](https://arxiv.org/html/2610.18861v1)، يصف باحثون من Stanford وUniversity of Illinois Urbana-Champaign وTogether AI وMeta نظام HybridAgent، الذي يبدّل بين حالات داخلية مستمرة ونص لاستدعاء الأدوات والملاحظات والإجابات. ونشروا شيفرة بحثية ونقطتي تحقق للوكلاء. تأتي نتائج الأداء والكفاءة المعلنة من تجارب المؤلفين، لا من إعادة إنتاج مستقلة أو خدمة منشورة قيد التشغيل.

## التغيير الكبير

- **ما الذي تغيّر:** يمنح HybridAgent وكيل نموذج اللغة طريقة للانتقال بين خطوات داخلية بحالات مستمرة والنص العادي خلال مهمة واحدة. ويظل النص واجهة البحث وPython والإجابة النهائية.
- **لماذا يهم:** يمكن للمطوّرين الذين يدرسون الوكلاء فحص الحاجة إلى كتابة كل خطوة وسيطة. وتشير تجارب المؤلفين ذات الشروط المتكافئة إلى خطوات توليد أقل لطريقتهم، بينما تتيح الشيفرة العامة فحص التنفيذ. ولا يثبت أي منهما فاتورة أقل لخدمة عاملة.
- **ما الذي ينبغي متابعته:** يمكن للتشغيلات المستقلة باستخدام نقاط التحقق المنشورة اختبار بقاء الأفضلية المقاسة مع مهام وتكاليف أدوات مختلفة. والسؤال الأصعب في الفحص هو ما إذا كانت الكلمات المقروءة المستخرجة من حالة كامنة تصف بأمانة كيفية الوصول إلى الإجابة.

## كيف يعمل التبديل

في وضع النص العادي، يولّد النموذج رموزًا. وعندما يصدر الرمز الخاص `<latent>`، يعيد مكوّن صغير اسمه HybridLink إسقاط آخر حالة مخفية للنموذج إلى فضاء مدخلاته. ويدخل النظام المتجه المستمر الناتج في الخطوة التالية من دون تحويله أولًا إلى كلمة. ويعود إلى وضع النص عندما تتعرف مقارنة بأقرب رمز على العلامة `</latent>`. ويمكن للنموذج حينها كتابة استدعاء أداة أو إجابته. وتصف الورقة ذاكرة تخزين مؤقت مستمرة للمفاتيح والقيم تحمل النص والخطوات الكامنة وملاحظات الأدوات إلى الجولات اللاحقة. [البنية وقواعد الانتقال في القسمين 3 و4 من المسودة](https://arxiv.org/html/2610.18861v1).

يتطلب هذا أكثر من إضافة مهايئ إلى نموذج مدرّب مسبقًا. يحوّل المؤلفون أولًا العروض النصية إلى تسلسلات تدريب مختلطة من النص والحالات الكامنة، ثم يستخدمون التدريب الخاضع للإشراف لتعليم النموذج الأساسي وHybridLink العمل معًا. وتدرّب مرحلة تعلم معزز الوكيل الناتج على مهام الاستدلال والبحث. وفي هذه المرحلة، يحدّث المؤلفون الاحتمالات عند مواضع نصية مأخوذة بالعينات ويعيدون تمرير المدخلات الكامنة المسجلة. وتقول الورقة إن بيانات التدريب تضم 54,000 عرض محوّل، تليها مجموعتان منفصلتان من 12,000 مثال للاستدلال العميق و1,000 مثال للبحث الوكيلي. [تفاصيل التدريب والبيانات](https://arxiv.org/html/2610.18861v1).

## ما الذي قاسَته الاختبارات

يعرض التقييم الرئيسي نسختي 8B و14B المبنيتين على Qwen3-Base عبر 11 اختبارًا معياريًا. تغطي ستة منها الرياضيات والمعرفة العلمية أو الطبية والأسئلة متعددة الخطوات؛ وتركز خمسة على البحث ومهام الوكلاء. ويختبر ملحق منفصل نسخة 4B على AIME25 وAIME26 وMATH500 وGPQA-Diamond. يقارن المؤلفون بوكلاء مدرّبين بالنص باستخدام النماذج الأساسية وبيانات التدريب نفسها، وطرق استدلال كامن، ووكلاء رائدين، وأطر لاستخدام الأدوات. ولكل مجموعة غرض مقارن مختلف. ففي مقارنة التعلم المعزز المتكافئة بحجم 14B مثلًا، يسجل HybridAgent نسبة 88.2% على MATH500، مقابل 87.0% للوكيل النصي المدرّب باستخدام ARPO. وفي متوسط GAIA، تعرض الورقة 52.4% لـHybridAgent 14B و43.7% لخط أساس ARPO ذاك. هذه نتائج ضمن إعداد المؤلفين، وليست ترتيبًا عامًا لوكلاء منشورين. [الجداول الرئيسية وملحق 4B وتعريفات خطوط الأساس](https://arxiv.org/html/2610.18861v1).

الإعداد مهم. تستخدم الورقة نقاط تحقق مدرّبة على الاستدلال العميق للتقييمات الرياضية، وأخرى مدرّبة على البحث الوكيلي لتقييمات المعرفة والوكلاء. وتقول إن الاستدلال استخدم temperature 0.6 وtop-p 0.95 وtop-k 20، بميزانيات تحتسب رموز النص والخطوات الكامنة معًا. سمحت بـ4,096 خطوة في الرياضيات والمعرفة و24,000 في مهام الوكلاء الأصعب. واستمرت المقاطع الكامنة بين 16 و256 خطوة؛ وكانت للمسارات حدود لاستدعاء الأدوات. شملت الأدوات مفسر Python معزولًا وبحثًا مباشرًا، مع نموذج لتلخيص صفحات البحث والحكم على المخرجات. ويبلغ المؤلفون عن التدريب والاستدلال على 32 وحدة GPU من نوع H100. وقد تغيّر خدمات الأدوات أو نتائج الاسترجاع أو ظروف التشغيل المختلفة المقارنة. [الإعداد التجريبي](https://arxiv.org/html/2610.18861v1).

تحسين الأداء البالغ 10.4% في الملخص يشير إلى المقارنة بخطوط الأساس النصية والكامنة المقابلة في مرحلة التعلم المعزز، عند تكافؤ أحجام النماذج وميزانيات التدريب. ولا ينبغي قراءته بوصفه تحسينًا عامًا على كل وكيل رائد. وتعرض الورقة أيضًا نتائج خمس تشغيلات مستقلة لجدول الوكلاء الرئيسي، بمتوسط انحراف معياري للدقة قدره 0.014. [النتائج وتعليق الجدول](https://arxiv.org/html/2610.18861v1).

## ادعاء الكفاءة يقوم على نطاق حساب أضيق

تبلغ الورقة عن رموز نصية أقل بمعامل 2.7، وخطوات توليد إجمالية أقل بما يصل إلى 54% مقارنة بخطوط الأساس النصية. ويذكر الملخص سرعة استدلال تبلغ 1.8 إلى 2.6 ضعف، وتكلفة مقدرة أقل بمعامل 2.7 إلى 3.7. وما زالت الخطوات الكامنة تتطلب حسابات النموذج. ويحتسب جدول التكاليف كل خطوة نصية أو كامنة كمرور أمامي كامل للنموذج الأساسي، ويقدّر مليون إجابة بسعر H100 يبلغ 2.50 دولار للساعة وعند 10% من أقصى إنتاجية BF16. وللنموذج الأساسي 8B، يتغير الحساب من 62.5 إلى 17.2 تريليون عملية فاصلة عائمة لكل سؤال، ومن 439 إلى 121 دولارًا لكل مليون سؤال. [قسم الكفاءة وجدول التكاليف](https://arxiv.org/html/2610.18861v1).

يستبعد الملحق نفسه صراحة معالجة الطلب، وتكاليف الانتباه المتغيرة مع السياق، وتنفيذ الأدوات الخارجية. لذلك تبقى استدعاءات البحث والاستضافة وتكاليف الخدمات الأخرى خارج المقارنة بالدولار. الأرقام دليل مفيد على مسارات التوليد المقاسة ونموذج الحساب المعلن لدى المؤلفين، لكنها لا تثبت تكلفة تشغيل خدمة وكلاء كاملة.

## المقاطع الكامنة المقروءة ما زالت تحتاج إلى التدقيق

يمكن لـHybridAgent عرض قراءة شبه نصية بإسقاط كل خطوة كامنة على تضمين أقرب رمز. ويعرض [مثال المستودع](https://github.com/togethercomputer/HybridAgent) هذه القراءات بجانب استدعاءات فعلية للبحث وPython. وفي تجربة منفصلة بالورقة، يقلل تغيير المتجهات الكامنة أو استبدالها دقة MATH500، ما يدعم أن تلك الحالات تؤثر في الإجابة. لكنه لا يثبت أن الكلمات الأقرب تقدم وصفًا كاملًا أو أمينًا للحساب. [جدول التدخل في الحالات الكامنة](https://arxiv.org/html/2610.18861v1).

يختبر المؤلفون أيضًا فائدة النص المرئي للمراقبة الخارجية على 560 مسألة رياضية. ويعرض الجدول رموز نص مرئية أقل لـHybridAgent من الوكلاء النصيين المتكافئين، إلى جانب مقاييس مراقبة وتصحيح أخطاء تحكم عليها نماذج. تتحسن بعض المقاييس؛ وتبلغ AUROC للمراقب القوي عند 14B مقدار 0.989 لـHybridAgent و0.990 للوكيل النصي. هذه الاختبارات تقيّم مراقبين ومهام محددة، ولا تثبت شفافية أو سلامة عامة، خصوصًا للمقاطع الكامنة المخفية. [تجربة قابلية التدقيق](https://arxiv.org/html/2610.18861v1).

## ما المتاح الآن

يضم [المستودع المرخص برخصة MIT](https://github.com/togethercomputer/HybridAgent) محرك التوليد الهجين وأدوات Python والبحث، وخطوط التدريب الخاضع للإشراف والمعزز، والاستدلال بالدفعات، وفاحصًا للقراءة شبه النصية. ويربط المؤلفون نقاط تحقق عامة بحجمي [8B](https://huggingface.co/togethercomputer/HybridAgent-8B-Agentic) و [14B](https://huggingface.co/togethercomputer/HybridAgent-14B-Agentic) **للوكلاء**، إلى جانب مجموعات بيانات التدريب. استخدمت تقييمات الرياضيات نقاط تحقق للاستدلال العميق مدرّبة بشكل منفصل؛ وتحدد قائمة النماذج المنشورة في README نقطتي تحقق للوكلاء. وتضم كل نقطة عامة أوزان النموذج الأساسي وHybridLink. وتقول بطاقة النموذج إن تحميل الأساسي عبر Transformers وحده يعطي نموذجًا نصيًا فقط؛ أما التوليد الكامن واستخدام الأدوات فيتطلبان شيفرة المشروع.

يوصي README بـ8 أو 16 وحدة GPU للتدريب الخاضع للإشراف و32 وحدة موزعة على أربع عقد لمشغّل التعلم المعزز للبحث الوكيلي. وتتضمن تعليمات التثبيت مفتاح API للبحث. وهذه متطلبات مهمة لمن يريد تجربة خط البحث الموثق. فحصت BIG CHANGE الورقة والمستودع وبطاقات النماذج؛ ولم تشغّل الشيفرة أو تنزّل نقاط التحقق أو تعِد إنتاج الاختبارات.

## Sources

- [Zou وآخرون، Hybrid Reasoning Agents، arXiv:2610.18861v1 (2026-10-13)](https://arxiv.org/html/2610.18861v1) — المسودة الأساسية. توضح الأقسام 3–6 والملاحق E وG وH الطريقة والتدريب والاختبارات وإعداد 32 H100 وافتراضات التكلفة. نتائج المؤلفين ليست إعادة إنتاج مستقلة؛ ويستبعد التقدير بالدولار التهيئة الأولية وانتباه السياق والأدوات.
- [Together Computer، شيفرة HybridAgent وREADME](https://github.com/togethercomputer/HybridAgent) — تنفيذ بحثي رسمي برخصة MIT. يسرد README المحرك وخطوط SFT/RL ونقاط تحقق 8B/14B ومفتاح Tavily وتوصيات 8/16 GPU لـSFT و32 GPU لتعلم البحث المعزز. لم تشغّله BIG CHANGE.
- [Together Computer، بطاقة نموذج HybridAgent-8B-Agentic](https://huggingface.co/togethercomputer/HybridAgent-8B-Agentic) — البطاقة الرسمية لنقطة التحقق العامة 8B. تصف أوزان الأساسي وHybridLink؛ والتوليد الهجين واستخدام الأدوات يتطلبان شيفرة المستودع.
- [Together Computer، بطاقة نموذج HybridAgent-14B-Agentic](https://huggingface.co/togethercomputer/HybridAgent-14B-Agentic) — البطاقة الرسمية لنقطة التحقق العامة 14B. شرط الشيفرة نفسه؛ نقطة تحقق بحثية، وليست دليلًا على خدمة منشورة.