تعرف على OpenJarvis: إطار العمل المحلي الأول لوكلاء الذكاء الاصطناعي الشخصي الموجودين على الجهاز باستخدام الأدوات والذاكرة والتعلم

نشر باحثون في جامعة ستانفورد ومختبرات Lambda الورقة البحثية الخاصة بـ OpenJarvis، وهو إطار عمل مفتوح المصدر يدير الاستدلال والوكلاء والذاكرة والتعلم بالكامل على الجهاز.

تصل النماذج ذات الوزن المفتوح التي تم تكوينها من خلال OpenJarvis إلى 3.2 نقطة مئوية من أفضل نموذج سحابي في المتوسط، وبتكلفة هامشية أقل بنحو 800 مرة لواجهة برمجة التطبيقات (API) لكل استعلام ووقت استجابة أقل بنحو 4 مرات وفقًا للبروتوكول القياسي للبحث. يعتمد هذا العمل البحثي على أعمال فريق البحث السابقة الذكاء لكل واط الدراسة، التي ذكرت أن النماذج المحلية تتعامل بالفعل مع 88.7% من استعلامات الدردشة والاستعلامات المنطقية ذات الدورة الواحدة في زمن استجابة تفاعلي، مع تحسين كفاءة الذكاء بنسبة 5.3× من عام 2023 إلى عام 2025.

نظرة عامة على النموذج والوصول إليه

OpenJarvis ليس نموذجًا واحدًا. إنه إطار عمل يتكون من أي نموذج مدعوم مع مجموعة عوامل قابلة للتكوين، ويتم تقييمها عبر 11 نموذجًا محليًا من أربع عائلات.

العمارة: خمسة بدايات ومواصفات

يقوم OpenJarvis بتحليل نظام الذكاء الاصطناعي الشخصي إلى خمسة عناصر أولية مكتوبة، تتألف من كائن تكوين تعريفي واحد يسمى المواصفات.

• ذكاء – النموذج والأوزان ومعلمات التوليد وتنسيق التكميم.
• محرك – وقت تشغيل الاستدلال (Ollama، vLLM، SGLang، وما إلى ذلك)، والدفعات، وإعدادات ذاكرة التخزين المؤقت KV، ومسار الأجهزة.
• الوكلاء — حلقة الاستدلال (ReAct أو CodeAct)، ومطالبات النظام، وسياسة استخدام الأداة، وحدود الانعطاف.
• الأدوات والذاكرة – واجهات خارجية، وواجهات خلفية للاسترجاع، وأكثر من 25 موصل بيانات، وأكثر من 32 قناة مراسلة، مع دعم MCP الأصلي وواجهات خلفية للذاكرة القابلة للتبديل.
• تعلُّم – المحسن الذي يقوم بتحديث المواصفات من الآثار. تقبل هذه الفتحة البحث عن المواصفات الموجهة بواسطة LoRA أو DSPy أو GEPA أو LLM.

كل عنصر بدائي قابل للتبديل بشكل مستقل، وتقوم المواصفات بتسلسل كل العناصر الخمسة في ملف TOML. يمكن أن يتشارك مواصفان في نفس تكوين الوكيل والأداة ويختلفان فقط في الطراز والمحرك، وبالتالي يتم تشغيل نفس السلوك على جهاز Mac Mini ومحطة العمل دون إعادة كتابة المطالبات.

بحث المواصفات الموجهة LLM هي المساهمة الثانية. إنه تعاون محلي سحابي: يعمل نموذج السحابة الحدودية كمعلم في وقت البحث، ويقرأ الآثار، ويشخص مجموعات الفشل، ويقترح التعديلات عبر الذكاء، والمحرك، والوكلاء، والأدوات والذاكرة. لا يتم قبول التعديل إلا إذا كان يؤدي إلى تحسين مجموعة الفشل المستهدفة دون التسبب في تراجعات ذات معنى في مكان آخر – ويطلق فريق البحث على هذا اسم ” بوابة (التسامح الافتراضي 1%). يتم بعد ذلك تشغيل المواصفات المحسنة بالكامل على الجهاز في وقت الاستدلال، بدون أي مكالمات سحابية. يتم استخدام المعلم فقط في وقت البحث؛ عند إجراء 100 استفسار يوميًا، تنخفض تكلفة المعلم المطفأة إلى أقل من 0.001 دولار لكل استعلام خلال ستة أشهر.

يعمل العمل السابق (GEPA، وDSPy، وLoRA) على تحسين عنصر أساسي واحد في كل مرة، ويطالب المحسنين وحدهم باسترداد حوالي 5 نقاط فقط من الفجوة السحابية المحلية. يستعيد بحث المواصفات الموجه من LLM ما بين 13 إلى 32 صفحة لأنه يقوم بالتحرير عبر العناصر الأولية بشكل مشترك، بتكلفة تحسين أقل بمقدار 7 إلى 11 × من الخطوط الأساسية الفردية. تساهم مساحة الحركة البدائية الأربعة بـ 5.5-16.5 نقطة أساس، ويضيف مقترح LLM حوالي 10 نقطة أساس في المتوسط ​​خلال البحث التطوري في نفس مساحة الحركة.

القدرات والأداء

تم تقييم OpenJarvis عبر 8 معايير تشمل 508 مهمة: استدعاء الأدوات (ToolCall-15)، وسير العمل الوكيل (PinchBench)، والتشفير (LiveCodeBench)، وخدمة العملاء (τ-Bench V2، τ²-Bench Telecom)، والمساعدة العامة (GAIA)، والبحث العميق (LiveResearchBench، DeepResearchBench).

اختبار المبادلة: يؤدي استبدال النموذج السحابي المقصود بـ Qwen3.5-9B في الأطر الحالية (OpenClaw، Hermes Agent) إلى انخفاض الدقة بمقدار 25-39 نقطة أساس. مع نفس النموذج ضمن مواصفات OpenJarvis، يتقلص الانخفاض المتبقي إلى 5.6-16.5 نقطة أساس – مع استرداد 56-77% من خسارة قابلية النقل.

حدود الدقة: أفضل نموذج محلي منفرد، Qwen3.5-122B، يصل إلى متوسط ​​دقة 80.3% مقابل Claude Opus 4.6 بنسبة 83.5% – بفارق 3.2 نقطة أساس. تتطابق المواصفات المحلية مع السحابة أو تتجاوزها في 4 من 8 معايير: ToolCall-15، وPinchBench، وLiveCodeBench، وτ-Bench V2.

التكلفة والكمون: تشكل التكوينات المحلية حدود الدقة والكفاءة. يوفر Qwen3.5-122B نسبة 80.3% بمعدل جزء من ألف سنت تقريبًا لكل استعلام، مقابل 0.009 USD لكل استعلام لـ Claude Opus 4.6 – وهي ميزة تكلفة هامشية لواجهة برمجة التطبيقات تبلغ 800× تقريبًا. ينخفض ​​زمن الوصول من طرف إلى طرف بمقدار 4x تقريبًا على أعباء عمل الوكلاء، على الرغم من أن الملاحظات الورقية التي تشير إلى أن المطالبات ذات اللقطة الواحدة يمكن أن تفضل الخدمة السحابية.

مكاسب البحث: يؤدي البحث عن المواصفات الموجه بواسطة LLM إلى تحسين مستوى طالب Qwen3.5-9B إلى 100% على PinchBench، و83% على LiveCodeBench، و91% على LiveResearchBench. عبر المجموعة الكاملة المكونة من ثمانية معايير، يتراوح متوسط ​​المكاسب لكل نموذج طالب من 13.1 إلى 31.5 نقطة مئوية. وأفاد المؤلفون أن هذه المكاسب تصمد أمام اختبارات القوة (المتغيرات ذات الوزن المكافأة، وتباين بذور البحث، وعمليات إعادة التشغيل العشوائية).

كيفية استخدامه

التثبيت هو أمر واحد. على نظام التشغيل MacOS أو Linux أو WSL2:

curl -fsSL https://open-jarvis.github.io/OpenJarvis/install.sh | bash

يقوم مستخدمو Windows بتشغيل برنامج PowerShell النصي المكافئ (irm … | iex). أحكام المثبت uvوبيئة بايثون الافتراضية وأولاما ونموذج أولي في حوالي ثلاث دقائق على النطاق العريض. يتم شحن واجهة المستخدم الرسومية لسطح المكتب كملف .dmg, .exe, .deb, .rpm، أو .AppImage من صفحة الإصدارات.

بعد التثبيت، jarvis يبدأ جلسة محادثة. تغطي الإعدادات المسبقة للمبتدئين مهام سير العمل الشائعة:

jarvis init --preset morning-digest-mac    # daily briefing with TTS
jarvis init --preset deep-research         # multi-hop research with citations
jarvis init --preset code-assistant        # agent with code execution and shell access
jarvis init --preset scheduled-monitor     # stateful agent on a schedule

يأتي إطار العمل مزودًا بثمانية وكلاء مدمجين عبر ثلاثة أوضاع تنفيذ – حسب الطلب، ومجدول، ومستمر. فهو يتصل بأكثر من 25 مصدرًا للبيانات (Gmail، والتقويم، وiMessage، وNotion، وObsidian، وSlack، وGitHub، وغيرها) ويكشف عن الوكلاء بأكثر من 32 قناة مراسلة (WhatsApp، وTelegram، وDiscord، وiMessage، وSignal، وغيرها).

يمكن استيراد المهارات من كتالوجات خارجية – حوالي 150 من وكيل Hermes وحوالي 13,700 من مهارات المجتمع من OpenClaw – وكلها تتبع مواصفات Agentskills.io. أ jarvis optimize skills --policy dspy يقوم الأمر بتحسينها من سجل التتبع المحلي.

الشرح المرئي لـ Marktechpost

curl -fsSL https://open-jarvis.github.io/OpenJarvis/install.sh | bash

الوجبات السريعة الرئيسية

• يقوم OpenJarvis بتشغيل الاستدلال والوكلاء والذاكرة والتعلم بشكل كامل على الجهاز، حيث يصل إلى 3.2 نقطة في البوصة من أفضل نموذج سحابي بتكلفة هامشية أقل بمقدار 800 مرة تقريبًا لواجهة برمجة التطبيقات (API) ووقت استجابة أقل بمقدار 4 مرات تقريبًا.
• تقوم “المواصفات” المكتوبة بتحليل المكدس إلى خمسة عناصر أولية قابلة للتبديل – الذكاء، والمحرك، والوكلاء، والأدوات والذاكرة، والتعلم – والتي يتم تسلسلها إلى TOML المحمول.
• يستخدم البحث عن المواصفات الموجه من LLM نموذجًا سحابيًا حدوديًا كمدرس لوقت البحث لاستعادة 13-32 نقطة من الفجوة السحابية المحلية بتكلفة تحسين أقل بمقدار 7-11×، ثم يتم تشغيله محليًا بدون مكالمات سحابية.
• تتطابق المواصفات المحلية مع السحابة أو تتجاوزها في 4 من 8 معايير (ToolCall-15، PinchBench، LiveCodeBench، τ-Bench V2)؛ وتركز الفجوة المتبقية على المهام الثقيلة المتعلقة بالاستدلال والبحث.

تحقق من ورق و الريبو. أيضا، لا تتردد في متابعتنا على تغريد ولا تنسى الانضمام إلينا 150 ألف+ مل من SubReddit والاشتراك في النشرة الإخبارية لدينا. انتظر! هل أنت على برقية؟ الآن يمكنك الانضمام إلينا على التليجرام أيضًا.

هل تحتاج إلى الشراكة معنا للترويج لصفحة GitHub Repo أو صفحة الوجه المعانقة أو إصدار المنتج أو الندوة عبر الويب وما إلى ذلك؟ تواصل معنا