البحث بيقدّم Multi-LCB، وهي توسيع لـ benchmark LiveCodeBench الشهير الي بتقيّم نماذج اللغة الكبيرة على مهام توليد أكواد. المشكلة إن LiveCodeBench الأصلي فقط بيقيّم بـ Python، بس احنا بنشتغل بـ 12 لغات برمجة مختلفة في الحياة الفعلية. الفريق أخذ مهام Python من LCB وحوّلوها للغات تانية (زي C++, Java, JavaScript وتانيين)، بدون ما يفقدوا الميزات الي تخليه دقيق زي الحماية من contamination والتقييم الموثوق. المهم إن Multi-LCB بيتابع التحديثات الجديدة لـ LCB تلقائيًا. الباحثون قيّموا 24 نموذج لغة ولاقوا إشي مهم: النماذج بتتفوّق بشكل ضخم بـ Python وبتتعثّر مع لغات تانية، وفيه contamination خاص بكل لغة، وتفاوتات كبيرة في الأداء عبر اللغات.

الباحثين طلعوا دراسة منهجية جديدة حول أنظمة RAG، وشافوا إشي مهم كتير: كل retriever بدو "لغة" مختلفة عشان يشتغل بأفضل جودة! يعني نفس الطلب (query) اللي يكون مثالي مع retriever معين قد يكون فاشل مع retriever تاني. الفريق استخدم reinforcement learning عشان يعلّم نموذج اللغة إنو يعدّل طريقة صياغة الأسئلة حسب خصائص كل retriever — بعضها بيفضّل أسئلة وصفية مفصّلة، وبعضها بيفضّل أسئلة قصيرة مباشرة. كمان اكتشفوا إن الإرشادات البشرية المخصصة لكل retriever وزيادة حجم النموذج بيحسّنوا الأداء، وقدّموا تقنية جديدة اسمها branching-based rollout عشان تخليّ التدريب أكتر استقراراً.

الباحثون اقترحوا FlowEdit، طريقة ذكية لتصحيح أخطاء النطق في أنظمة text-to-speech اللي تعتمد على flow-matching بدون ما نعيد تدريب النموذج من الأول. المفهوم بسيط: لما يجيبك حد يقول «آي، هاي الكلمة غلط»، النظام بيخزّن التصحيح في ذاكرة خاصة (Modern Hopfield Network) بدل ما يغيّر أوزان النموذج الأصلي. عند التكلّم لاحقًا، النظام بيشتغل شوية soft attention عشان يلقّي التصحيحات المناسبة، حتى لو الكلمة مش بالضبط نفس اللي في الذاكرة. النتايج كتير حلوة: على ٣١٢ اسم علم متعدد اللغات، التصحيح قلّل الأخطاء بـ ٩٢.٧٪ مقارنة بالأداء الأولي، وبدون ما يؤثر على جودة الكلام العام.

فريق Zewen Liu اكتشف إشي خطير: لما نستخدم نماذج لغة كبيرة عشان تقيّم شغل وكلاء ذكيين متعددين، انحيازات المقيّم بتنتشر زي العدوى بين الوكلاء وتأثر على قرارهم — حتى لو كلهم بنفس النموذج الأساسي! الباحثين طوّروا إطار عمل اسمه Contagion Networks بيقيس بدقّة كيف بتنتشر الانحيازات دي، وبدراسة عملية مع 3 وكلاء (DeepSeek-chat) والـ 3 أنماط تقييم مختلفة، اكتشفوا إن الانحياز بينتشر بقوّة ثابتة بين الوكلاء. البشرى الحلوة؟ لو زدنا عدد المقيّمين من واحد ل 3 بِقلّل انتشار الانحياز بـ 72.4%، يعني في حلّ عملي بيقدر نحمي أنظمتنا من المشكلة دي.

الباحثون طوّروا نظام اسمه ACIE بيستخدم agentic RAG عشان يستخرج معلومات من ملفات المرضى — وهاي ملفات كتير معقّدة فيها مئات الوثائق وآلاف نقاط البيانات المهمة. المشكلة إن الأنظمة العادية بتفشل لما تتعامل مع معلومات متعلّقة بالوقت أو معلومات بتربط بين وثائق مختلفة، بس ACIE بتفكّر فوق كل السياق بتاع المريض وبتثبت كل إجابة بمصدرها. اختبروا النظام في مستشفى جامعي وطلبوا من أطباء متخصصين يتحققوا من الاستخراجات، وطلعوا إن الأطباء وافقوا على 96.5% من الاستخراجات — يعني النظام فعّال كتير وآمن بيستخدموه في العيادات الفعلية.

الباحثين قدّموا إطار عمل جديد بيسمح لك تتحكّمي بتوليد الفيديو من النصوص بطريقة أسهل بكتير. بدل ما تضطري تعطي إرشادات دقيقة وقاسية لكل frame، LooseControlVideo بتستخدم صناديق 3D بسيطة وموجّهة (زي الhigh-level blocking في الإخراج السينمائي)، والنموذج بحاله بيعمّي تفاصيل معقّدة زي الانزلاقات والحركات والتفاعلات بين الأجسام. الفريق دقّق نموذج Wan 2.2 على بيانات فيديو مشروحة بطريقة جديدة اسمها DNOCS بتشفّر الحجم والاتجاه والانسداد ثلاثي الأبعاد. والحلو كتير: بتقدري تعدّلي تفاصيل محدودة (مثلاً مسار قفزة أو تفاعل) من غير ما تفسّدي بقية المشهد. التقييمات على benchmarks مختلفة بتوضّح تحسّن هائل — من 1.2x لـ 3x أحسن في دقّة المسارات، و2x في تجانس الحركة الجامدة، و1.5x لـ 2x في دقّة الانسداد مقابل النماذج السابقة.

الباحثون قدموا طريقة جديدة لتحسين قدرة نماذج اللغة الكبيرة (LLMs) على الاستدلال المعقّد. المشكلة: الطرق التقليدية بتركّز على حالة واحدة (single-shot)، بس الاستدلال الفعلي بياخذ عدّة خطوات متتالية — بمعنى فيه عدم توافق كبير بينهم. قررو يستخدموا reinforcement learning متعدّد الخطوات، بس الفكرة الذكية: بدل ما يدرّبو على كل شي، استخرجوا الأخطاء "القريبة من الصح" من المسارات الناجحة وحوّلوها لـ prompts منفصلة للمراجعة والتحقّق. هيك الموديل بيركّز على تعديل الإجابات وتحديد الأخطاء بكفاءة عالية وتكاليف حسابية أقل. اختبروا على مشاكل برمجية وهندسية وألغاز، والنتايج كانت حلوة: +6.5 نقاط أفضل من RL التقليدي، وحقّقو نتايج متقدمة مع موديل أصغر بكتير.

البحث بتاع Liang Su بيتكلم عن إشي جديد كتير في طريقة تخديم نماذج اللغة الكبيرة على الأجهزة (on-device). المشكلة إنّ الأنظمة الموجودة بتركز على الـ high-throughput (إنتاجية عالية)، بس احنا في حالات كتير بدنا سرعة استجابة سريعة جداً مع حجم صغير من الطلبات — مثل الوكلاء التفاعليين والروبوتات والأنظمة الصوتية. الباحث اقترح **execution-state capsules** — آلية بتحفظ الحالة الكاملة للبرنامج في نقطة معينة (مش بس الـ KV cache زي السابق)، وبتقدر تستعيدها بسرعة فائقة (أقل من ميلي ثانية). مع نماذج graphics جديدة على GPUs عالية الأداء، النتايج كانت مذهلة: تسريع من 3.9x لـ 27x حسب حجم البيانات.

الباحثون قدموا ViT-Up، طريقة جديدة لحل مشكلة كبيرة في Vision Transformers: إن ViTs بتشتغل على شبكات patch صغيرة عشان الـ self-attention بتاعها مكلفة حسابياً، وهيك بتفشل في المهام اللي بتحتاج تنبؤ كثيف زي semantic segmentation وdeep estimation. بدل ما نستخدم صورة خارجية لتوجيه رفع الدقة (وهيك بتصير مشاكل في تسريب الميزات والتشويش)، ViT-Up بتبني الحل من جوا — بتستخدم الـ hidden states الوسيطة من ViT نفسها وتوقّع ميزات في أي نقطة في الصورة، كل إشي محاذي مع ميزات الـ backbone. النتايج بتقول إن ViT-Up بتفوّق على الطرق القديمة: على Cityscapes بتحسّن +2.07 mIoU مع DINOv3-S وفي SPair-71k بتحسّن +4.17 PCK@0.10، والأرقام تصير أكبر مع الـ backbone الأكبر.

احنا بنتكلم عن مشكلة حقيقية جداً بالروبوتات — المستشعرات بتعطل أو تنقطع وقت الشغل، والنموذج بيضيع. فريق Ismkhan وزملاؤه طلعوا RL4IL، طريقة ذكية بتاخد reinforcement learning بتستخدم Proximal Policy Optimisation عشان تلاقي أفضل أمثلة تدريبية (expert demonstrations) من مكتبة بيانات موجودة. بعدين soft fusion head بيجمع الأوامر من هالأمثلة. الإشي الحلو: لما تختفي مستشعر أثناء الاستخدام، النموذج عنده سياسة RL خاصة لكل مستشعر بتلاقي مثال بديل بيساعد في إعادة بناء البيانات الناقصة عن طريق cross-attention — وكل هادا بدون ما يحتاج retraining. جربوا على LIBERO benchmark، والنتائج كانت أفضل من الطرق القديمة.

الباحثين طوّروا benchmark اسمه StylisticBias بهدف قياس التحيّزات الاجتماعية في MLLMs بطريقة دقيقة وقابلة للتحكّم فيها. الفكرة كانت بسيطة بس ذكية: خذوا 500 وجه فوتوريالستي (مصنوعة بالـ AI) وغيّروا عليهم واحد تفاصيل في المرة — الموضة، السن، شكل الجسم، الخ — وتركوا كل الحاجات التانية ثابتة. هيك قدروا يقيسوا بدقّة إشو الإشارة البصرية اللي بتأثّر على حكم المودل. النتيجة: حوالي 15 خاصية بس (من مئات) هيّ اللي بتسبّب 80% من التحيّزات — يعني التحيّز مركّز في حفنة من التفاصيل. العمر والوزن والموضة بتلعب أدوار كبيرة، خصوصًا في أحكام اجتماعية اقتصادية ومتعلّقة بالأسلوب. البحث اتنشر على arXiv بتصنيفات الـ NLP والرؤية الحاسوبية.

الباحثان Shepard و Albrecht قدّما طريقة جديدة لتحسين أداء وكلاء الترميز المبنية على نماذج لغة كبيرة (LLMs)، والمشكلة إنه الوكلاء هذه بتحتاج معرفة عملياتية عن المستودع بره الكود نفسه — مثل إيش الملفات بتحتوي إيش أنظمة وكيف بتشتغل الاختبارات. الفريق بدّهم حل لـ قضية إنه في دراسات متناقضة حول إذا الإرشادات بتساعد أم تؤذي الأداء. هنا بيقدموا **probe-and-refine tuning**: طريقة بتستخدم اختبارات صناعية تصلح ملفات الإرشادات بشكل تكراري بسهولة بدون حاجة لعمل مستمر من الوكيل. على SWE-bench Verified، الطريقة وصلت لـ 33.0% معدل حل مقابل 28.3% للبيانات الثابتة و 25.5% بدون إرشادات — والتحسن بيجي من إنه الوكيل يقدر يوصل الملفات الصحيحة أكتر، مش من إنه يعمل تعديلات أحسن.

فريق Engels وزملاؤه بدرسوا إشي مهم وجديد: كيف بنفهم التفكير والحسابات اللي بتصير جوّة نماذج اللغة اللي بتشتغل بطريقة diffusion؟ DiffusionGemma بتعمل حسابات كتير في مساحة latent space مش شفافة، فالسؤال كان: هل هيك بتصير أقل transparency؟ الباحثين فكّكوا الشفافية لجزأين — variable transparency (إذا بنقدر نفهم الحالات الوسطانية للنموذج)، و algorithmic transparency (إذا بنقدر نحكي كيف وصل للإجابة النهائية). في البداية، DiffusionGemma بدت poor في الجزء الأول، لكن لما خريطة بدرسوا معلومات بين خطوات التنقية عبر token bottleneck، لقوا انهم بقدروا يخفّفوا المشكلة كتير. الباحثين كمان كتشفوا ظواهر جديدة في diffusion models زي non-chronological reasoning وtoken smearing، وآخر شي لقوا أن DiffusionGemma قريبة من Gemma 4 في الناحية العملية للمراقبة والاستخدام.

الباحثين قدموا RefRad2D، وهو dataset ضخم وثنائي اللغة (ألماني وإنجليزي) فيه 1.2 مليون زوج صور CT و MR مع نصوص طبية، مستخرج من البيانات الحقيقية للعيادات. الحاجة الأساسية هنا إنهم طلعوا طريقة بتحكي صور طبية بدون ما نحتاج نحن نحط علامات مكانية يدويًا — استخدموا LLMs والتجزئة الآلية عشان تجهّز البيانات. النموذج اللي طلعوه «RadGrounder» بيشتغل ثلاث شغلات في نفس الوقت: يكتب تقارير من الصور، يجاوب على أسئلة بصرية، ويحدّد مكان الأشياء بـ bounding boxes أو تجزئة. لما اختبروه على datasets معروفة (Slake و VQA-RAD)، النموذج قدّم نتايج منافسة مع models متخصصة تانية، وما فقد أي جودة في كتابة النصوص حتى لما أضافوا خصائص المكان.

الباحثون طلعوا نظام كتير شامل اسمه DataMagic بيحول البيانات الخام والأسئلة بالعربي/الإنجليزي مباشرة لفيديوهات بتحكي قصة البيانات — يعني رسوم بيانية متحركة زي السينما مع سرد صوتي وكل حاجة تتحرك في الوقت المناسب. المشكلة إنّ الطرق القديمة إما ما فيها narrative (زي dashboards الـ BI)، أو بتطلب منك تحضّر الرسومات قبل ما تبدأ، أو نماذج الفيديو الحالية ما تضمن إنّ البيانات بتظل صحيحة وموثوقة. DataMagic حلّ هالمشاكل بـ DVSpec (لغة تصريح خاصة) بتربط العناصر البصرية والحركات مباشرة بحقول البيانات، واستخدمت معمارية multi-agent ذكية (Generate-then-Orchestrate) بتولّد مشاهد متوازية وبعدين تحسّنها علشان تكون القصة متماسكة. الجميل إنّ الفيديوهات مش بس للمشاهدة — ممكن تفاعلي وفيها Q&A محترف، وقيّموا النظام على 109 عينة حقيقية والنتايج طلعت فعّالة كتير.

الباحثين اشتغلوا على مشكلة عملية كتير بتهم الناس اللي بدهم يعرفوا إشي عن القانون: كيف نقدر نوجّه حد لإجابة قانونية صحيحة مع الاستشهاد الدقيق؟ أخذوا قانون الإيجار السكني بأونتاريو وقارنوا بين أربع طرق: نموذج عام بدون تدريب، تدريب LoRA SFT فقط، استخدام retrieval فقط، وهجين بيجمع التنين. النتيجة كانت حلوة: الهجين SFT+RAG طلع الأحسن (0.481 دقّة)، واستعملوا embedder صغير (bge-small) ما بحاجة نماذج متخصصة غالية، والأهم إنهم وضّعوا الهلوسة تمامًا. بس الهدف الطموح (0.70) لسّه لم نصير فيه.

الباحثون اكتشفوا إشي كتير مهم: بدل ما نعتمد على بيانات روبوتات حقيقية (اللي بتكون غالية وصعبة التجميع)، فيديوهات الرؤية الذاتية للبشر — اللي هي فيديوهات من وجهة نظر الإنسان — بتقدر تعطي نتايج أحسن! الفريق اختبر هالفكرة بشكل منهجي: لما يستخدموا نفس الكمية من البيانات، النماذج اللي اتدرّبت على فيديوهات البشر طلعت أداء أفضل بـ 24% في التنبؤ بحركات الروبوت، و52.5% أفضل في المهام اللي الروبوت شافها قبل كذا، و90% أفضل في المهام الجديدة اللي ما شافها! الحيلة كانت في عمل pipeline ذكي لتصفية وتصنيف الفيديوهات البشرية بعناية.

الباحثين قدّموا طريقة جديدة وسريعة لإنشاء نماذج ثلاثية الأبعاد (mesh) بهندسة واحدة بس بتتحول لمعاني مختلفة تماماً حسب زاوية النظر — إشي بيُسمّى visual illusion. الطريقة الجديدة بتقسّم الشغل لمرحلتين: الأول عملية denoising بتشتغل عبر spaces مختلفة، بتستخدم CLIP عشان تحاذي الاتجاهات وتمزج الهندسة بطريقة ناعمة باستخدام SDF. الثاني، وحدة synthesis للألوان والتفاصيل بتعتمد على رؤية معينة. النتيجة: أوهام بصرية واقعية بمعنيين مختلفين بتتولّد في ٣-٥ دقائق بس، وبدون ما تحتاج للتدريب أصلاً.

الباحثين اقترحو طريقة جديدة عشان نفهم كيف الكلمات والتعليمات الطبيعية بتؤثّر على الصوت في أنظمة TTS. استخدمو cross-attention attribution — تقنية بتطبّقوها على speech diffusion models لأول مرّة — وحلّلو حوالي 3,600 مزج بين تعليمات الأسلوب والنصوص. اكتشفو إنّ كلمات الأسلوب بتكون أقلّ تذبذب زمني من كلمات المحتوى، وإنّ تأثير الأسلوب بيكون أقوى في الطبقات العميقة والخطوات الأولى من عملية التوليد. أهم نتيجة: في الطبقة 17 تحديدًا، الشبكة بتصير انتقائية لأقصى درجة بتركيزها على الأسلوب.

الباحثون طلعوا طريقة جديدة اسمها FreeStyle لتوليد صور بتحافظ على بنية وسيمانتيك صورة واحدة (content) وتاخد أسلوب من صورة تانية (style) — وهي مسألة صعبة كتير لأن النموذج لازم يوازن بين ثلاث حاجات: إنه ما ينقل معنى من صورة الأسلوب للصورة الجديدة (content leakage)، ويحافظ على الموضوع الأصلي، وينفذ أوامر المستخدم. المشكلة الأساسية إنه ما في بيانات كتيرة مع فصل نظيف بين الأسلوب والموضوع. الباحثين استخدموا LoRAs (نماذج صغيرة مدرّبة من المجتمع) كـ «مراجع مركبة» للأسلوب والموضوع، وبنوا pipeline قوي لتوليد وتصفية بيانات ثلاثية على نطاق كبير. عشان يتجنّبوا نقل المعنى من صورة الأسلوب، استخدموا curriculum بمرحلتين: الأولى بتثري attention وتعطّل تسرب الأسلوب، والثانية بتستخدم RoPE modulation بتركيز على التسرب من التوافق المكاني. كمان طلعوا benchmark جديد مع أدوات قياس دقيقة وأخذ عينات من نموذج رؤية لغة لتقييم جودة التوليد.