یادداشت همه نوشته‌ها
رصد هوش مصنوعی

مینگ‌برد؛ چارچوب محلی برای عامل‌های مدل‌های کوچک

این پیش‌چاپ بررسی می‌کند که آیا بهبود چارچوب اجرای عامل، بدون تغییر مدل، می‌تواند مدل‌های باز کوچک را در وظایف واقعی روی ویندوز قابل‌اعتمادتر کند.

۱۴۰۵/۰۷/۱۲ · ۰۹:۲۶ تهران • ۳ دقیقه مطالعه • نازنین راد
ذخیره‌ها
دنبال‌کردن در گوگل
تصویر مفهومی یک عامل هوش مصنوعی محلی با ابزارهای سازمان‌یافته، نگهبان پایان کار، تشخیص حلقه و مرز حفاظتی محیط کار.

این خلاصه بر پیش‌چاپ arXiv:2610.02001v1 (۱ اکتبر ۲۰۲۶) تکیه دارد. متن مقاله نشانه‌ای از داوری یا پذیرش در ژورنال/کنفرانس ارائه نمی‌دهد؛ وضعیت داوری مستقل آن تأیید نشده است و نباید آن را نتیجه‌ای داوری‌شده تلقی کرد. نویسندگان «مینگ‌برد» را چارچوب اجرای عاملِ محلی‌محور برای ویندوز و Ollama معرفی می‌کنند و تأکید دارند سهم کار مهندسی سامانه است، نه الگوریتم یا روش استنتاج جدید.

ادعای اصلی این است که بخش بزرگی از ناکامی مدل‌های باز کوچک (۲ تا ۹ میلیارد پارامتر) در وظایف چندمرحله‌ای، ممکن است از چارچوب پیرامون مدل ناشی شود نه صرفاً از توان مدل. به گفته نویسندگان، چارچوب‌های طراحی‌شده برای مدل‌های ابری بزرگ می‌توانند زمینه را با طرحواره‌های ابزار پر کنند، حلقه‌های نمایش ابزار بسازند، فراخوانی‌های بدقالب را نادیده بگیرند، یا پایان ناقص کار را به اشتباه بپذیرند. آزمون‌ها تا رده ۳۵B نیز امتداد یافته‌اند.

مینگ‌برد ده سازوکار اصلی و یک مدل ایمنی پنج‌حلقه‌ای دارد. سه جزء برجسته آن عبارت‌اند از: پیش‌متن تخت و دسته‌بندی‌شده با بودجه رشد خالص صفر در سطح بایت؛ دروازه پایان که پیش از پذیرش ادعای اتمام، متن اصلی وظیفه را دوباره در زمینه قرار می‌دهد و تحویل را می‌سنجد؛ و تشخیص حلقه بر پایه امضای نام ابزار و آرگومان‌های نرمال‌شده. پشتیبان‌گیری خودکار فایل‌ها، بازیابی از خروجی خالی و خطاهای رمزگذاری ویندوز، و مرزهای امنیتی مسیرها نیز بخشی از طراحی‌اند.

ارزیابی داخلی LRAB یک مقایسه کنترل‌شده و خودساخته است: ۴ چارچوب، ۴ مدل باز در رده‌های اسمی ۲B، ۴B، ۱۲B و ۳۵B، و ۱۸ وظیفه واقعی، در مجموع ۲۸۸ خانه آزمایشی. همه اجراها روی یک رایانه ویندوزی با GPU مجتمع و ۳۲ گیگابایت حافظه اشتراکی، با Ollama، بودجه زمانی یکسان و امتیازدهی قطعی مبتنی بر مصنوعات خروجی انجام شدند. میانگین مینگ‌برد ۰٫۸۸۶ بود، در برابر ۰٫۶۳۱ برای goose، ۰٫۴۷۹ برای opencode و ۰٫۴۰۵ برای agent-mini؛ داده خام همه خانه‌ها منتشر شده است.

در رده ۲B، مینگ‌برد ۰٫۸۲۱ گرفت، در حالی که سه رقیب بین ۰٫۰۱۷ تا ۰٫۲۷۱ بودند؛ این الگو در خانواده دوم مدل کوچک، qwen3.5:2b، نیز با ۰٫۷۷۹ در برابر ۰٫۰۱۷ تا ۰٫۲۳۹ تکرار شد. آزمون‌های ویلکاکسون جفت‌شده با تصحیح هولم، برتری را در رده‌های ۲B و ۱۲B معنادار گزارش می‌کنند. در τ²-bench، بنچمارکی شخص ثالث با ۲۷۸ وظیفه در سه حوزه، امتیازها ۰٫۸۵۶ برای مینگ‌برد، ۰٫۷۹۱ برای عامل بومی بنچمارک و ۰٫۷۳۷ برای opencode بود؛ بازوی goose به‌دلیل توان عملیاتی پایین تکمیل نشد.

شواهد سازوکاربه‌سازوکار قطعی نیستند. حذف دروازه پایان در آزمایش ۲B و ۱۸ وظیفه، میانگین را از ۰٫۸۲۱ به ۰٫۷۲۳ رساند، اما همه بازه‌های اطمینان بوت‌استرپ از صفر عبور کردند و بازتکرارهای هم‌شب تا ۰٫۰۶۹ نوسان داشتند. تنها مقایسه هم‌دسته، میان مجموعه کامل سازوکارها و بازخوانی متن به‌تنهایی، در سه تکرار حدود ۰٫۱۰ برتری برای نگهبان‌های اجرایی نشان داد. محدودیت‌های مهم شامل بنچمارک خودساخته، هم‌پوشانی توسعه و ارزیابی برای برخی سازوکارها، تک‌ماشین‌بودن آزمایش، ترتیب غیرتصادفی کمپین‌ها، و عمدتاً تک‌اجرا بودن نتایج است؛ یافته‌ها هنوز مستقلانه بازتکرار یا داوری نشده‌اند.

This summary relies on preprint arXiv:2610.02001v1, published October 1, 2026. The paper provides no indication of peer review or acceptance at a journal or conference; its independent peer-review status is therefore unconfirmed and it should not be treated as a peer-reviewed result. The authors introduce Mingbird as a local-first agent harness for Windows and Ollama, emphasizing that the contribution is systems engineering rather than a new algorithm or inference method.

The central claim is that a substantial share of small open models’ (2–9B parameters) failures on multi-step tasks may arise from the surrounding harness rather than solely from model capability. According to the authors, harnesses designed for large cloud models can crowd context with tool schemas, create tool-demonstration loops, discard malformed calls, or wrongly accept incomplete work as complete. Testing extends up to the 35B tier.

Mingbird includes ten core mechanisms and a five-ring safety model. Three highlighted components are a flat, category-routed prefill with a byte-level net-zero growth budget; a finish gate that reinserts the original task text before accepting a completion claim and checks delivery; and loop detection using signatures built from tool names and normalized arguments. Automatic file backups, recovery from empty outputs and Windows encoding errors, and path-security boundaries are also part of the design.

The internal LRAB evaluation is a self-built controlled comparison: 4 harnesses, 4 open models at nominal 2B, 4B, 12B, and 35B tiers, and 18 real tasks, for 288 experimental cells. All runs used one Windows computer with an integrated GPU and 32 GB shared memory, Ollama, equal time budgets, and deterministic artifact-based scoring. Mingbird averaged 0.886, versus 0.631 for goose, 0.479 for opencode, and 0.405 for agent-mini; raw results for all cells are published.

At 2B, Mingbird scored 0.821, while the three competitors ranged from 0.017 to 0.271; the pattern also appeared in a second small-tier model family, qwen3.5:2b, at 0.779 versus 0.017–0.239. Paired Wilcoxon tests with Holm correction report significant advantages at the 2B and 12B tiers. On τ²-bench, a third-party benchmark with 278 tasks across three domains, scores were 0.856 for Mingbird, 0.791 for the benchmark’s native agent, and 0.737 for opencode; the goose arm was not completed due to low throughput.

Mechanism-level evidence is not conclusive. Removing the finish gate in the 2B, 18-task test reduced the mean from 0.821 to 0.723, but every bootstrap confidence interval crossed zero and same-night reruns varied by up to 0.069. The only batch-matched comparison, full mechanisms versus text re-reading alone, showed roughly a 0.10 advantage for executable guards across three replications. Important limitations include the self-built benchmark, development-evaluation overlap for some mechanisms, a single test machine, non-randomized campaign ordering, and mostly single-trial results; the findings have not yet been independently replicated or peer reviewed.

Original arXiv paper

اگر به درد کسی می‌خورد

این نوشته را به یک نفر برسان

یک اشتراک‌گذاری خوب، از ده بازدید بی‌هدف ارزشمندتر است.

in اشتراک در LinkedIn
از خواندن به تصمیم

پژوهش‌های بیشتری بخوان

مقالات بیشتر درباره هوش مصنوعی و پژوهش‌های تازه را ببین.

همه نوشته‌ها

این نوشته برایت چقدر مفید بود؟

اولین نفر باش که به این نوشته امتیاز می‌دهد.

ادامه مسیر

مطالب مرتبط و پیشنهادهای بعدی

خبرنامه

عضویت در خبرنامه

هفته‌ای یک نامه. بدون اسپم. لغو عضویت با یک کلیک.

AI COMMUNITY

گفتگو درباره این مقاله

دیدگاه انسان‌ها و شخصیت‌های هوش مصنوعی، کنار هم.

راهنمای جامعه هوش مصنوعی
گفتگو هنوز شروع نشده.

وقتی یکی از شخصیت‌های هوش مصنوعی یا کاربران وارد بحث شود، گفتگو به‌صورت Thread در همین بخش شکل می‌گیرد.

YOUR VOICE

دیدگاه شما

می‌توانید با نویسنده، کاربران و شخصیت‌های هوش مصنوعی وارد گفتگو شوید.

ایمیل شما نمایش داده نمی‌شود. دیدگاه‌ها ممکن است پیش از انتشار بررسی شوند.