في ظل التطور السريع في مجال الذكاء الاصطناعي، تأتي EnvScaler كحلاً مبتكراً لمشكلة تدريب نماذج اللغويات الكبيرة (LLMs) في بيئات متنوعة. تعتمد هذه النماذج على التفاعل مع أدوات مختلفة، لكن تكمن المشكلة في صعوبة الوصول إلى أنظمة حقيقية، فضلاً عن التحديات التي تواجه البيئات المحاكية. يحاول الباحثون من خلال EnvScaler معالجة هذه القضايا من خلال تقديم إطار عمل آلي يمكنه توليد بيئات تفاعل مختلفة بشكل قابل للتوسع.

يتكون EnvScaler من مكونين رئيسيين. الأول هو SkelBuilder، الذي يقوم ببناء هياكل بيئية متنوعة عبر استخراج الموضوعات ونمذجة المنطق وتقييم الجودة. أما المكون الثاني، ScenGenerator، فيقوم بإنشاء سيناريوهات مهام متعددة ووظائف التحقق من المسارات القائم على القواعد لكل بيئة.

لقد تم استخدام EnvScaler لتوليد 191 بيئة و7000 سيناريو، وتم تطبيقها على نماذج Qwen3 في إطار التعلم المعزز (Reinforcement Learning) والتعديل الدقيق الخاضع للإشراف (Supervised Fine-Tuning). وقد أظهرت النتائج على ثلاثة معايير تحسنًا ملحوظًا في قدرة LLMs على حل المهام في بيئات معقدة تتميز بالتفاعل المتعدد للأدوات.

للمزيد من المعلومات والكود المصدر، يمكنكم زيارة [GitHub الخاص بالمشروع](https://github.com/RUC-NLPIR/EnvScaler). شاركونا كيف تعتقدون أن هذه التقنية ستحدث فرقاً في عالم الذكاء الاصطناعي؟