أطلق مختبر Kyutai Voice of Reason، وهما نموذجان مفتوحا الأوزان من صوت إلى صوت (Speech-to-Speech) يحلّان مسائل الرياضيات بصوت مسموع. لا توجد خطوة تحويل إلى نص ولا نموذج لغوي نصي منفصل. في نسخة منطوقة من اختبار GSM8K، ارتفعت الدقّة من 27.3% للنموذج الأساسي إلى 77.1%، بحسب MarkTechPost.
لماذا تتأخّر النماذج الصوتية في الرياضيات؟
الأنظمة المتسلسلة (تحويل الكلام إلى نص، ثم نموذج لغوي، ثم تحويل النص إلى كلام) ما زالت الأفضل في الاستدلال، لكن كل مرحلة تضيف تأخيرًا وتفقد إشارات مثل نبرة الصوت. أما النماذج الصوتية الأصلية فيجب أن تُخرج صوتًا بانتظام لتبقى تفاعلية، ما يحدّ من عدد رموز التفكير المخفية التي تستطيع تحمّلها.
طريقة التدريب
- الضبط الدقيق: 150,616 مسألة من Orca-Math أعاد Qwen3-235B صياغتها لتناسب الكلام، ثم نُطقت بأصوات متعدّدة. رفع ذلك الدقّة إلى 61.7%.
- التعلّم المعزّز: لكل سؤال منطوق يولّد النموذج 4 إجابات، ويقيّمها نموذج حَكَم بمكافأة ثنائية دون أن يرى الإجابة المرجعية. اتّفق الحَكَم مع البشر في 88% من 100 حالة فُحصت يدويًا. جرى التدريب على 16 بطاقة H100.
- نسختان: واحدة تجيب مباشرة وتنطق خطوات الحلّ، وأخرى (Stitch) تكتب مقاطع تفكير صامتة من 100 رمز بين المقاطع المنطوقة، وتقول Kyutai إن التفكير يحدث أثناء تشغيل الكلام فلا يضيف تأخيرًا.
ما الذي لم يتحسّن؟
المعرفة العامة تراجعت: انخفضت نتيجة TriviaQA المنطوق من 40.6% إلى 34.0% للنموذج المباشر، ويرجّح الباحثون أن السبب هو الضبط الدقيق الكامل لا التعلّم المعزّز. كما استبعدوا أربع مجموعات تقييم بسبب تداخل مع بيانات التدريب. ولا يزال النموذج بعيدًا عن النظام المتسلسل الذي سجّل 95.7%، وإن كانت المقارنة مع نموذج أكبر بكثير.
التشغيل
النموذجان يعملان على بطاقة H100 واحدة بدقّة BF16، ويحتاجان مستودع GLM-4-Voice لمرمّز الكلام وفاكّه. والأوزان ترث ترخيص GLM-4-Voice.
ليه ده مهم؟
المساعدات الصوتية الطبيعية تحتاج أن «تفكّر» أثناء الكلام دون صمت طويل. تجربة Kyutai تُظهر أن التعلّم المعزّز يمكن أن يرفع قدرة الاستدلال في نموذج صوتي أصلي بشكل كبير، وتنشر الأوزان للباحثين. وتصف الورقة ذلك بأنه أوّل تطبيق للتعلّم المعزّز على الاستدلال الرياضي في هذا النوع من النماذج.
المصادر: MarkTechPost — 2026-09-23
