Mirendil: باحث واحد ووكلاء ذكاء اصطناعي درّبوا نموذج برمجة كبيرًا من الصفر

أعلنت شركة أبحاث الذكاء الاصطناعي الناشئة Mirendil أنها درّبت نموذجًا لغويًا كبيرًا من الصفر دون فريق مخصص للتدريب المسبق، مستعينة بوكلاء ذكاء اصطناعي يوجههم باحث واحد. وبحسب منشور الشركة في 21 أكتوبر، دُرّب نموذج Mirendil-Base المخصص للبرمجة بباحث واحد خلال 3.5 أشهر وبتكلفة حوسبة إجمالية تقل عن 10 ملايين دولار، تشمل ما أنفقه الوكلاء على الوحدات (tokens) ومعالجة البيانات والتجارب الصغيرة.

من هي Mirendil

أعلنت Mirendil تأسيسها في يونيو 2026. وبحسب إعلان التأسيس، تهدف الشركة إلى تسريع العلوم والتكنولوجيا عبر إتاحة البحث والتطوير المتقدم في الذكاء الاصطناعي على نطاق أوسع. ويضم الفريق 20 باحثًا ومهندسًا من مؤسسات منها Anthropic وxAI وGoogle DeepMind وOpenAI. وقادت Andreessen Horowitz وKleiner Perkins جولة تمويل أولية بقيمة 200 مليون دولار، وتشارك NVIDIA أيضًا بين المستثمرين. وشارك الشريك المؤسس Behnam Neyshabur النتيجة الجديدة على X.

ما الذي أُنجز

بحسب الإعلان، كتب وكلاء الذكاء الاصطناعي أكثر من 99 في المئة من الشيفرة، وأداروا التجارب وشخّصوا الأعطال، بينما قرر الباحث ما الذي يُجرَّب وما الذي يُعتمد عليه. وانطلاقًا من مستودع فارغ، بنى الوكلاء بنية التدريب ومعمارية النموذج وخوارزمية التدريب وخطوط البيانات، مستعينين بمكتبات عامة مثل PyTorch وJAX ومشاريع مفتوحة المصدر كمراجع. وتقول الشركة إن الكفاءة جاءت من تعديلات المعمارية وضبط مزيج البيانات وتحسين النوى البرمجية (kernels). ولا يذكر المنشور النماذج التي عمل بها الوكلاء.

وتتكون بيانات التدريب من شيفرات GitHub وغيرها من الشيفرات المتاحة للعموم وصفحات الويب ومجموعات البيانات العامة. وتقول الشركة إنها لم تستخدم بيانات مشتراة أو مرخصة، ولا تقطيرًا ولا بيانات اصطناعية.

عائلة النماذج

• Mirendil-Base: أصغر أفراد العائلة، بين 100 و500 مليار معامل، واكتمل تدريبه.
• Mirendil-Base-Large: بين 500 مليار و2 تريليون معامل، وأُنجز نحو 80 في المئة من تدريبه.
• Mirendil-Base-XL: بين 2 و10 تريليونات معامل، وتصفه الشركة بأنه من الفئة المتقدمة، وأُنجز نحو 19 في المئة من تدريبه.

كيف جرى القياس

قاست الشركة النموذج بالإنتروبيا المتقاطعة بالبت لكل بايت على الشيفرة (الأقل أفضل). وجرت المقارنة الأولى على شيفرة محجوزة من مستودعات Mirendil نفسها، أما الاختبار الثاني الأقوى فاستخدم سبعة مستودعات خارجية نُشرت بعد تدريب النماذج. وفي هذا الاختبار جاء Kimi-K3 من Moonshot AI أولًا في المتوسط وMirendil-Base ثانيًا، متقدمًا على Nemotron-550B-Base من NVIDIA وGLM-5.3 من Z.ai وV4-Pro-Base من DeepSeek.

ولهذه المقارنات حدود. فـ Kimi-K3، بإجمالي 2.8 تريليون معامل، أكبر بكثير من Mirendil-Base. وكما تشير الشركة، فإن Kimi-K3 وGLM-5.3 نموذجان خضعا لتدريب لاحق وتأتي نتائجهما أسوأ قليلًا من النماذج الأساسية في هذا المقياس، لذا فالمقارنة ليست متكافئة. كما أن المقياس يبيّن قدرة النموذج على توقع الشيفرة ولا يقيس مباشرة نجاحه العملي في مهام البرمجة.

الذكاء الاصطناعي الذي يحسّن نفسه

الهدف الحقيقي للشركة هو "التحسين الذاتي التكراري"، أي أن يبني الذكاء الاصطناعي الجيل التالي منه. وتقول Mirendil إن نموذجها التالي سيُبنى جزئيًا بنماذج Mirendil. لكنها تقول صراحة أيضًا إن التحسين الذاتي المستقل تمامًا لم يتحقق بعد، وإن Mirendil-Base لم يبنِ نفسه، بل بناه خبير مستعينًا بأدوات الذكاء الاصطناعي.

وقد بدأ التدريب اللاحق لـ Mirendil-Base، ولم تعلن الشركة حتى الآن عن نشر أوزان النموذج أو واجهة برمجية. وتستند أرقام التكلفة والمدة والأداء إلى تصريحات الشركة نفسها ولم يجرِ التحقق منها بشكل مستقل، كما لا يمكن التحقق من الخارج من أن الوكلاء هم من كتبوا الشيفرة. وإذا أصبح تدريب النماذج الكبيرة ممكنًا لفرق صغيرة فسيكون ذلك إشارة مهمة للقطاع، لكن النتائج تحتاج إلى تأكيد عبر اختبارات مستقلة. ننصح بمتابعة تقييمات الباحثين المستقلين للاطلاع على زوايا أخرى.