شو في AI؟ · 2026-06-20

فريق من الباحثين (Kangsheng Duan وزملاؤه) طلعوا نموذج جديد اسمه Moebius لملء الصور (inpainting) — يعني لما في جزء ناقص في الصورة، النموذج يعيد رسمه بجودة عالية. الجديد هنا إنهم اخترعوا طريقة ذكية اسمها Local-λ Mix Interaction بتلخّص معلومات الصورة بطريقة محترمة جداً، فبقدروا يقللوا حجم النموذج من 11.9 مليار معامل لـ 0.22 مليار بس — بمعنى استخدموا أقل من 2% من البارامترز! وعشان ما يخسروا جودة الصور، استخدموا استراتيجية تدريب ذكية اسمها adaptive multi-granularity distillation بتركز على الـ latent space. النتيجة؟ النموذج بيرسم صور بجودة نفس مستوى FLUX.1-Fill-Dev (النموذج الضخم الشهير) بس أسرع بـ 15 مرة!

Maria Ivanova وفريقها طلعوا لنا Multi-LCB، وهي نسخة محسّنة من معيار LiveCodeBench المشهور لتقييم نماذج اللغة الكبيرة (LLMs) على مهام توليد الأكواد. بدل ما نقيّم النماذج على Python بس، خذوا مسائل البرمجة التنافسية من LCB الأصلي وحوّلوها لـ 12 لغة برمجية مختلفة — بدقّة عالية وبنفس إجراءات التقييم والحماية من تسرّب البيانات. النتيجة اللي طلعت هي إن النماذج بتعاني من "تفريط بالتخصّص في Python" (Python overfitting) وفي فجوات كبيرة في الأداء بين اللغات، مما يعني إن قدرات البرمجة متعددة اللغات عند LLMs أضعف كتير مما حد يتوقع.

Zhang وزملاؤه قدّموا DragMesh-2، إطار عمل بيمكّن الروبوت من التعامل مع الأجسام اللي فيها أجزاء متحركة (زي الدّرج أو الباب) باستخدام أصابع متعددة، وليس بقبضة عادية. المشكلة الأساسية: الجزء المراد تحريكه مش يمكن تتحكم فيه مباشرة، بس لازم يتحرك من خلال التماس الفيزيائي المستمر بين اليد والمقبض. عشان كده اقترحوا PICA، آلية تدريب بتحقن إشارات فيزيائية في سياسة التحكم بدون الحاجة لمستشعرات لمس أو قياس قوة، وبهيك طريقة تصير السياسة أقوى وتتعامل مع تغيّرات الأحمال والاحتكاك المختلفة. الورقة اختبرت على سبع أجسام مختلفة من GAPartNet وأثبتت تفوق الطريقة الجديدة.

دفتر الدرجات (patel) وزملاؤه في فريق بحث متعدّد الجنسيات قالوا: احنا عندنا مشكلة كتير كبيرة — البنشمارك اللي بنستخدمها للوكلاء (الأجهزة الذكية اللي بتشتغل بنفسها)، كل واحد فيهن بيقيّم جوانب محدودة بس من الواقع. جابوا أكبر دراسة معمّقة لوكيل صناعي واحد، وحتت فيها ١٤ نسخة مختلفة تشتغل بآليات مختلفة وبترجع معلومات بطرق مختلفة. والمشكلة اللي اكتشفوها؟ لما تركّزي على متوسط الدرجة وتعملي تصنيف عام، هيك التصنيف بينسى لما تقدّمي النموذج على بيانات جديدة أو حالات ما اتدرّب عليها — الترتيب بينقلب! بدهم نستخدم قياس "الصلاحية التنبؤية" (إيش مدى ما الترتيب في الامتحان الأول بينتبأ بالترتيب في الامتحان الثاني)، وقدّموا ١٢ طريقة قياس جديدة كشانة تفاصيل الواقع اللي الطرق القديمة بتتجاهلها.

Helena Bonaldi وزملاؤه من الفريق طرحوا مشكلة كتير مهمّة: خطاب الكراهية والمعلومات المضللة كتير بيظهروا مع بعضهم في الحياة الحقيقية، بس الأبحاث كانت بتتعامل معهم كل واحد لحاله. اللي ظهر جديد هنا إنهم بنوا CATCH-ME — أول dataset ضخم ومُعدّ من قبل خبراء بتضمّ حوارات متعدّدة الأدوار وخمس لغات بتشتغل على هالتقاطع بالذات. البحث بِظبط راح يشتغل مع نماذج RAG لأن كل حوار مرتبط مع مصادر خارجية موثوقة (مقالات fact-checking وتقارير منظّمات حقوقية)، وفيه annotate إشي بدقّة على مستوى المستند والفقرة.

يالون داي وفريقه طوّروا S-Agent، وهي طريقة جديدة بتخليّ نماذج الرؤية واللغة تفهم وتحلّل المشاهد المكانية بشكل ديناميكي بدل ما تتعامل مع صور معزولة. الفكرة إنهم بيصيغوا المنطق المكاني كتراكم أدلة عبر الوقت والمشهد (مش صورة واحدة بالمنعزل)، وبيستخدموا هرمية من الأدوات المكانية: أولاً بتحدّد الأجسام في الصورة ثنائية الأبعاد، بعدين بترفعها لأدلة ثلاثية الأبعاد، وأخيراً بتجمّع كل هالمعلومات في معرفة عالية المستوى زي العد والقياس والاتجاهات. في نظام ذاكرة ذكي بيحافظ على حالة المشهد والسياق وبيربط كل الأدلة على مدى الفيديو أو الصور المتعددة. التجارب بتظهر إن S-Agent بيحسّن أداء النماذج المفتوحة والمغلقة بدون ما تحتاج تدريب، وفيه نسخة مضغوطة (S-Agent-8B) تطلعت من تدريب على بيانات generated بتتنافس مع النماذج الكبيرة.

فريق من الباحثين (بقيادة Jianing Zhang وزملاء من جهات متعددة) طلعوا حل شامل لمشكلة كتير مهمة: كيف نتنبّأ بحركة الأشياء في الفضاء الثلاثي؟ الفكرة إنهم اشتغلوا على نقاط فعلية في الفضاء ثلاثي الأبعاد (مش صور بس)، وأضافوا تعليمات لغوية عشان النموذج يفهم قصد الحركة. البحث فيه ثلاث مساهمات رئيسية: مجموعة بيانات ضخمة (MolmoMotion-1M) من مليون فيديو فيهم وصف الحركة والنقاط المتتبعة، معيار تقييم إنساني (PointMotionBench) يغطي 111 نوع جسم و 61 نمط حركة، والنموذج نفسه (MolmoMotion) اللي بيتنبّأ بالمسارات إما بطريقة autoregressive أو بـ flow-matching. النتايج بتوضّح إن النموذج بيقرّ أنماط حركة متنوّعة ويطبّق كويس على روبوتات وتطبيقات تصنيع فيديوهات.

تشو القصة: فريق من الباحثين بقيادة Cheng-You Lu طلعوا مجموعة بيانات ضخمة اسمها DF3DV-1K فيها 1,048 مشهد حقيقي — كل مشهد معاه صورتين: نسخة نظيفة وواحدة فيها عناصر مشتتة زي الناس أو الأشياء اللي بتحجب المشهد الأساسي. في الكل 89,924 صورة ملتقطة بكاميرات عادية، تغطي 128 نوع تشتت و161 موضوع مختلف. الفريق اختبروا تسعة طرق حديثة لتوليد views بدون تشتت، وكمان جربوا 3D Gaussian Splatting، وشافوا إنهم قدروا يحسّنوا النتايج بشكل ملحوظ باستخدام diffusion-based enhancer. النتيجة: محسّنات واضحة في جودة الصور (PSNR أعلى بـ 0.96 dB).

Peiyang Xu وزملاؤه اكتشفوا إشي كتير مهم: نماذج اللغة الكبيرة بتفشل لما الإجابة الصحيحة بتتطلب تركيز على تفصيل صغير لكن حاسم في سياق طويل أو معقّد — زي سطر واحد في كود أو ريقة صغيرة في صورة. فقالوا: بدنا نعلّمها انسوا الحاجات التانية وركّزوا على اللي بدو فعلاً. طريقتهم اسمها ContextRL بتستخدم تعزيز التعلّم بطريقة ذكيّة: بدل ما تقول للموديل «الإجابة الصحيحة هي X»، بتقول له «إليك سؤال وإجابة، وإليك سياقين شبه نفس الشي بس واحد بيدعم الإجابة والتاني لا — اختر الصح». بهالطريقة الموديل بيتعلّم يدور على الدليل الفعلي. جرّبوها على مهام البرمجة والصور، واكتشفوا تحسّن واضح: +2.2% على مهام طويلة و+1.8% على أسئلة الصور.

جينج هونج لان وفريقه اشتغلوا على مشكلة كتير معقّدة: كيف بنوّلد صورة تأخذ الأسلوب من صورة والمحتوى من صورة ثانية، بدون ما يختلط الأشياء؟ المشكلة الأساسية إنه ما في بيانات كتيرة لتدريب النماذج على هالشغل. حلهم ذكيّ: استخدموا LoRA المجتمعية (هي زي القطع الصغيرة المتخصّصة اللي الناس بتعملها) عشان يبنوا قاعدة بيانات ضخمة من ثلاثيات الأسلوب والمحتوى. بعدين اشتغلوا على تقنيتين ذكيتين بالتدريب: واحدة بتمنع تسرّب معالجات الأسلوب للمحتوى، وثانية بتتحكّم بالمواضع في النموذج عشان ما يصير خلط. النتيجة؟ نموذج بيوازن بظبط بين الأسلوب والمحتوى بدون تسرّبات.

جونيي تشانج وفريقه قاموا بدراسة فكرة كتير حلوة: بدل ما نخليّ الروبوت يتعلّم المهارات بس عندما نعطيه أوامر واضحة، ليش ما نخليّه يتعلّم من خلال اللعب والاستكشاف الحرّ قبل ما تيجي المهام الفعلية؟ طوّروا نظام اسمه RATs — فريق وكلاء روبوتات — اللي بيخليّ الروبوت يقترح مهام استكشافية، يكتب أكواد، يحاول، يفشل، يتعلّم من الفشل، وفي النهاية يحفظ كل المهارات اللي نجحت في مكتبة دائمة. البحث ظهر على arXiv وانتشر على Hugging Face Daily Papers وحصل على 39 upvote، والنتايج بتقول إن اللعب الموجّه بيحسّن الأداء على مهام جديدة بـ 20 نقطة مئوية أكتر من الأنظمة اللي ما بتلعب.

فريق من الباحثين (Li وزملاؤه) طلعوا طريقة ذكية لتحسين سرعة البرامج المترجَمة باستخدام نماذج اللغة الكبيرة. الفكرة انهم ما بيعاملوا الـ compiler وكأنه صندوق أسود زي ما يفعل التقليديين، بل بفتحوه للـ LLM عشان تقدر تشوف إيش اللي بيصير بداخله — تقرأ الأكواد الوسيطة والحالات الداخلية للـ compiler وتقرر أنهي optimizations بتشتغل أحسن. النظام (AutoPass) بقرأ نتايج الأداء الفعلية وبتعديل القرارات بناءً على البيانات، وكل هيك من غير ما يحتاج تدريب مسبق أو microarchitecture-specific tuning، فممكن تستخدميه على أي platform.

سهان وأصحابه اكتشفوا مشكلة بتحصل في نماذج اللغة متعدّدة الوسائط (MLLMs) عند استخدام تقنية self-distillation اللي بتدرّب النموذج على مخرجاته الخاصة — المشكلة إنّ النموذج بيبدأ يعتمد على النص بدل الصور، يعني بياخذ طريق سهلة وينسى يشوف الصورة بالفعل! فبقدموا ViGOS: إطار شغل جديد بيخلّي النموذج أولاً يكتب وصف بصري دقيق للصورة، وبعدين يفكّر نحو الإجابة النهائية. بهذا الترتيب، معلّم واحد يراقب الوصف البصري (من الصورة بِصير)، ومعلّم تاني يراقب التفكير والجواب النهائي — بهيك طريقة النموذج ما بياخذ الاختصار. النتائج حلوة عبر أنواع مختلفة من الاختبارات: رؤية عامة، تفكير متقدّم، رياضيات بصرية، وغيره.

Bercan Turkmen و Vyas Raina اشتغلوا على مشكلة كتير عملية: المحللين الأمنيين بدهم يفهموا الأكواد الثنائية (binaries) بعد فكّها من خلال أدوات decompilation زي Ghidra و RetDec. التفكير القديم كان: خدّ رأي واحد من أداة واحدة والـ LLM بصنّفها. بس احنا اكتشفنا إشي حلو: كل أداة decompilation بتشتغل بطريقة مختلفة وبتوضح أشياء مختلفة من نفس البايناري! فجمعنا نماذج أكواد بخيرة وملوثات من أنواع تهديدات مختلفة، وفكّكنا كل واحد مع Ghidra و RetDec معًا. النتيجة: لما نطلع الـ LLM يشوف الرأيين مع بعضهم بدل رأي واحد، الدقة بتطلع أحسن بكتير، خاصة في اكتشاف الملوثات الفعلية.

أراستو زيبايراد وماركو فييرا جابوا فكرة إشي كتير مهم: هل نماذج اللغة الكبيرة لما بتتعرّف على ثغرات أمان فعليًا بتفهم الموضوع ولا بتلعب لعبة تطابق أنماط من بيانات ملوّثة؟ قرروا يجاوبوا السؤال بشكل صارم جدًا: طلّعوا إطار عمل اسمه CWE-Trace بناءً على 834 عينة يدويًا من نوى Linux تغطي 74 نوع ثغرة مختلفة. الحيلة إنهم فرقوا بين البيانات القديمة (قبل 2025) والحديثة (بعد التاريخ الذي عرف الموديل فيه)، وابتكروا مقاييس تشخيصية إسمها Directional Failure Index و Hierarchical Distance and Direction. النتيجة الكبيرة؟ الموديلات ما فعلًا بتفهم الأمان — بتصلح قيمتها الإحصائية بس، مش الطريقة اللي بتفكر فيها.

أحمد وفريقه اشتغلوا على مشكلة حقيقية بتواجه الوكلاء الذكية اللي بتشتغل على سياقات طويلة جداً: الذاكرة المؤقتة للمفاتيح والقيم (KV cache) بتاخد حيّز كبير جداً وبتبطّئ الرد، خاصة لما يكون في جلسات متعددة الأدوار. UltraQuant بتضغط هالذاكرة لـ 4-bit بدل ما تكون FP8 أو أعلى، باستخدام تقنيات rotation وquantization حلوة. الفريق ركّز على الواقع العملي: شو بالضبط بيصير لما تكون معنا أجهزة AMD مع workloads طويلة، وكيف بنحافظ على جودة الأخراج وفي نفس الوقت بنسرّع الحسابات. النتيجة كتير فيها: بسّرعوا الرد الأول 3.47x في الجولات الأخيرة و1.63x زيادة في الإنتاجية الكلية.

Lee وزملاؤه طلعوا لنا بنشمة NRT-Bench، وهي منصة اختبار بتحاكي غرفة تحكّم محطة نووية، وفيها فريق خمس أدوار كل واحد مدعوم بـ LLM. الفكرة إنهم بدّهم يشوفوا كيف بيتصرّف هالوكلاء لما تيجي هجمات عدائية متكيّفة متعدّدة الأدوار، بحيث الضرر موضوعي فعليّ (فقدان وظيفة أمان حرجة) مش مجرّد نص اللـ LLM يحكم عليه. النتايج كانت صادمة شوية: بين 8.7% و 12.1% من جلسات الهجوم بتوديها تفقدان المصنع وظيفة أمان، وكل موديل عنده ثغرات مختلفة عن التاني — يعني الضعف مش متكرر، كل واحد فيهم «ينكسر» بطريقته الخاصة.

جيانيوريو وفريقه اشتغلوا على مشكلة كتير عملية: إيش بنعمل لما عندنا لغة برمجة جديدة أو ملكية (proprietary) ما حد من LLMs شاف منها شي؟ بدل ما يركزوا على البايثون والجافا اللي فيهم بيانات كتير، هم بنوا ثلاث benchmarks جدد لـ no-resource languages وجربوا عدة طرق بتعلّم النموذج عن اللغة الجديدة — من prompt engineering لحد fine-tuning و pre-training على البيانات القليلة المتاحة. الفكرة الحلوة: بدل ما تعيدي تدريب كامل على التعليمات (instruction tuning) وتخسري الحسابات، أنتِ تأخذي موديل base، تعطيه معلومات عن اللغة الجديدة، وبعدين تنقلي قدرة متابعة التعليمات من موديل مدرّب بتقنية weight diff transfer — هيك توفّري وقت وحسابات ما يقل عن الكتير.

بول كاسيانيك وزملاؤه طلعوا إطار شغل اسمه FAPO بيحلّ مشكلة كتير شائعة: إذا بدك تحسّن سلسلة من خطوات LLM (مثلاً: بحث + تفكير + صياغة)، الطرق العادية بتركّز على تحسين البرومبتات بس، وبتفوت الأخطاء اللي بتصير من التفاعلات بين الخطوات نفسها. FAPO بيشتغل بذكاء: أول شي بيحاول تحسين البرومبتات، وإذا ما إتفادوش، بعدين بيقترح تعديلات على بنية السلسلة نفسها (مثل تغيير الترتيب أو إضافة خطوة). النتيجة؟ على ستّة benchmarks مختلفة، FAPO ضرب الطريقة القديمة (GEPA) في 15 من 18 مقارنة، وفي الحالات الصعبة بجنب متقدمة جداً (مثل مهام الأمان السيبراني) بحسّن الأداء بنسبة 33 في المئة!

شوفوا إشي كتير ذكي — Chang وزملاؤه قالوا: بدل ما نستنى الناس يقولوا بالظبط «هذا الجواب حلو أو وحش»، ليش ما نشوف وين بتحط الـ mouse وكيف بتحرّك العين على الشاشة؟ جمعوا dataset جديد اسمه IFLLM فيه أسئلة وردود من عمّال على Mechanical Turk، وسجّلوا تحرّكات الفأرة والنظر من كاميرا الويب. النتيجة كتير حلوة: نموذج المكافأة اللي بيقرأ التغذية الراجعة الضمنية (حركات الفأرة والعين) حسّن الدقّة من 55% لـ 64%، وما بين الناس بتنظر لرد وما بتنسى تقرّ بإيده بسرعة — هيك معلومات بتقول الكتير عن إذا كانت الإجابة فعلاً مفيدة أم لا.