وكلاء البحث بالذكاء الاصطناعي لا يفشلون في البحث بل في طرح الأسئلة الصحيحة

أبرز النقاط

• وكلاء البحث AI لا تفشل في تنفيذ البحث ذاته بل في التعامل مع الاستفسارات الغامضة دون طلب توضيح
• أفضل نموذج في اختبار DiscoBench حقق دقة 43.1% فقط، والنماذج التي تبحث كثيراً دون أن تسأل تؤدي أسوأ من التي تخمّن مباشرة
• تنبيه النموذج صراحةً للانتباه للغموض رفع قدرته على اكتشافه لكنه لم يحسّن النتيجة النهائية بشكل ملموس

حين يُخطئ وكيل بحث يعمل بالذكاء الاصطناعي في إنجاز مهمة بحثية معقّدة، السبب في الغالب ليس محرّك البحث ولا جودة النتائج، بل قراره الصامت بأن يخمّن بدلاً من أن يسأل المستخدم. هذا ما تُثبته دراسة جديدة أجراها فريق من Tencent Hunyuan وجامعة Tsinghua، ونشروا لأجلها معيار تقييم مفتوح باسم DiscoBench.

لماذا تفشل وكلاء البحث رغم دقة نتائج البحث؟

المعايير السابقة مثل GAIA وBrowseComp تفترض أن استفسار المستخدم واضح ومكتمل. لكن في الواقع، كثير من الأسئلة غامض أو ناقص أو حتى يحتوي خطأً واقعياً. حين يختار النموذج الكيان الخطأ في بداية سلسلة استدلال طويلة، يظل يبحث بصياغة سليمة لكنه يبتعد تماماً عن الهدف الحقيقي. الخطأ لا يبقى محصوراً في خطوة واحدة؛ بل يتضاعف في كل عقدة لاحقة حتى تنهار السلسلة بأكملها.

ما هو DiscoBench وكيف يختبر النماذج؟

صمّم الباحثون DiscoBench ليقيس ثلاث قدرات محددة: هل يستطيع النموذج اكتشاف الغموض بنفسه أثناء سلاسل البحث العميقة؟ هل يطرح أسئلة متابعة دقيقة؟ وهل يصحّح مساره البحثي بناءً على الإجابة؟

يضم المعيار 211 مهمة تحتوي 463 نقطة غموض موزّعة على أحد عشر مجالاً معرفياً تشمل ألعاب الفيديو والرياضة والموسيقى والأفلام والعلوم والسياسة. كل مهمة مُقسّمة إلى نقاط تفتيش، وعند كل نقطة يستطيع الوكيل اختيار واحد من ثلاثة مسارات: متابعة البحث، أو طلب توضيح من المستخدم، أو تقديم إجابة. يُقيّم الإطار ما إذا كان البحث خالياً من الغموض عند كل نقطة، ويحسب أداء الوكلاء عبر أربع مجموعات مقاييس تمتد من نجاح المهمة إلى كفاءة التكلفة.

أربعة أنواع من الغموض

• وصف يطابق كيانات متعددة (مثلاً: "أبل" قد تعني الشركة أو الفاكهة أو شركة التسجيلات)
• الاستفسار ينطبق على فترات زمنية أو إصدارات مختلفة
• معايير تصنيف أو تقييم متعددة صالحة
• خطأ واقعي صريح في السؤال نفسه

كُتبت معظم بيانات المعيار بالصينية لتعكس أنماط البحث الفعلية على الويب الصيني. حين يطرح الوكيل سؤال متابعة مفيداً، يُطلق محاكٍ للمستخدم مبني على نموذج لغوي تلميحاً محدداً مسبقاً يساعد على تضييق نطاق البحث. تُنفَّذ جميع استعلامات البحث عبر محرك Tavily، ويعمل Gemini 3 Flash كمحاكٍ للمستخدم.

حتى النماذج الكبرى لم تتجاوز 50%

اختبر الفريق أحد عشر نموذجاً صدرت خلال الأشهر الستة الماضية، منها Claude Opus 4.7 وGPT 5.4 وGemini 3.1 Pro Preview وDoubao Seed 2.0 Pro وDeepSeek V4 Pro وKimi K2.6 وGLM 5.1 وQwen3.6 Max وMiniMax M2.7 وMiMo v2.5 Pro وHunyuan 3.0 Preview.

جاء Gemini 3.1 Pro في المرتبة الثانية بدقة 40.8%، ثم Claude Opus 4.7 بنسبة 39.8%. في المقابل، لم يتجاوز MiniMax M2.7 وQwen3.6 Max سوى 16.1% و12.3% على التوالي.

اللافت أن كثرة استدعاءات البحث لا تعني دقة أعلى. Claude Opus 4.7 يبحث بكثافة لكنه يتخلّف عن Gemini 3.1 Pro وSeed 2.0 Pro. هناك أيضاً فجوة بين نتائج الخطوات الفردية والنتيجة الإجمالية: Claude Opus 4.7 يحلّ 57% من نقاط التفتيش بشكل صحيح، لكنه لا يصل إلا إلى 39.8% في الدقة الشاملة. الخطوات البحثية المنفردة تعمل جيداً، لكن غموضاً واحداً غير محلول يكفي لإسقاط السلسلة بأكملها.

هل يكفي تنبيه النموذج للغموض؟

اختبر الباحثون أيضاً وضع "Guided" حيث يُطلب من الوكيل صراحةً في موجّه النظام أن ينتبه للغموض ويسأل حين يشكّ. النتيجة: ارتفع متوسط الدقة الشاملة عبر عشرة نماذج من 28.6% إلى 33.7%، لكن قفزة الاكتشاف كانت أكبر بكثير—ارتفع مقياس Detection F1 من 45.3% إلى 64.9%. التلميح ساعد النماذج على رصد الغموض، لكنه لم يساعدها فعلياً على إتمام البحث بنجاح. بل إن دقة Claude Opus 4.7 الشاملة انخفضت قليلاً في وضع Guided رغم ارتفاع معدل نجاح نقاط التفتيش.

البحث المتكرر أسوأ من التخمين المباشر

حلّل الباحثون السلوك الفعلي للوكلاء عند نقاط الغموض وصنّفوه إلى ثلاثة أنماط:

• SearchThenAsk (يبحث ثم يسأل): معدل نجاح 93.4%
• DirectGuess (يخمّن مباشرة دون سؤال): معدل نجاح 56.5%
• SearchHeavyGuess (يبحث كثيراً ثم يخمّن دون سؤال): معدل نجاح 51.9% فقط

النمط الأخير هو الأكثر إشكالية: الوكيل يُكثر من البحث مما يوحي بأنه اكتشف الغموض، لكنه لا يحوّله أبداً إلى تفاعل مع المستخدم. هذا يفسّر لماذا تؤدي بعض النماذج التي تبحث بكثافة أسوأ من تلك التي تخمّن فوراً—البحث الإضافي بلا توضيح يُضيف ضوضاء دون أن يحلّ المشكلة الجذرية.

الأسئلة الشائعة

ما الفرق بين DiscoBench والمعايير السابقة مثل GAIA؟

المعايير السابقة تفترض أن استفسار المستخدم واضح ومكتمل، بينما DiscoBench يختبر قدرة النموذج على اكتشاف الغموض وطرح أسئلة توضيحية وتصحيح مساره البحثي.

أي نموذج ذكاء اصطناعي حقق أفضل نتيجة في DiscoBench؟

Doubao Seed 2.0 Pro من ByteDance حقق أعلى دقة شاملة بنسبة 43.1%، يليه Gemini 3.1 Pro بـ40.8% ثم Claude Opus 4.7 بـ39.8%.

لماذا البحث المتكرر لا يحسّن النتيجة؟

لأن البحث الإضافي دون طلب توضيح من المستخدم يُضيف ضوضاء ولا يحلّ الغموض الأصلي، فيتراكم الخطأ عبر سلسلة الاستدلال.

هل تنبيه النموذج للغموض يحلّ المشكلة؟

جزئياً فقط. التنبيه يرفع قدرة النموذج على اكتشاف الغموض لكنه لا يُترجم إلى تحسّن ملموس في الدقة الشاملة للمهمة.