شو في AI؟ | 21 يونيو

فريق Ivanova وزملاؤها لاحظوا إشي مهم: benchmark الشهير LiveCodeBench (LCB) بيقيّم نماذج اللغة على توليد الكود — بس بـ Python بس! وهيك بيطلع سؤال كبير: هل الـ LLMs فعلاً بتعرف تبرمج بلغات تانية، ولا احنا بس محظوظين مع Python؟ عشان هيك الباحثون طوّروا Multi-LCB، وهو نسخة موسّعة من LCB بتشمل اثنا عشر لغة برمجة، بتحوّل مسائل Python الأصلية لمهام مكافئة بلغات تانية مع الحفاظ على نفس آليات التحكم بالـ contamination. جرّبوا عليه 24 نموذج، واكتشفوا دليل واضح على Python overfitting ومشاكل contamination خاصة ببعض اللغات، وفجوات كبيرة بالأداء multilingual — إشي يخلّيك تعيد التفكير بكتير من النتائج السابقة!

فريق Yuan وزملاؤه بيتناولوا إشي ما حدا اهتمّ فيه كتير من قبل: مش كل الـ retrievers بتشتغل نفس الطريقة، وعشان هيك الـ LLM بده يتعلّم كيف يصيغ الاستعلام بشكل مختلف حسب كل retriever. الأبحاث بيُثبتوا إنه التعليم بـ reinforcement learning بيقدر يعلّم الموديل يكيّف أسلوبه — يعني نفس السؤال ممكن تكتبيه وصفياً (descriptive) أو كسؤال مباشر (question-like) وهاد بيفرق كتير في النتيجة حسب الـ retriever المستخدَم. وكمان قدموا تقنية branching-based rollout عشان يستقرّ التدريب على مسارات بها خطوات retrieval متعددة. الورقة ظهرت على arXiv وانتشرت على Hugging Face Daily Papers.

واحدة من أكبر مشاكل أنظمة تحويل النص لكلام (TTS) المبنية على flow-matching إنها بتبقى ثابتة بعد ما تتنشر — يعني لو النموذج غلط بنطق اسم علم أو كلمة غريبة، بيظل غلطان لحد ما تعيد تدريبه من الأول. فريق Singh وزملاؤه جاؤوا بفكرة FlowEdit: بدل ما تلمس أوزان النموذج، بيتعلموا التصحيح كـ perturbation صغير في مستوى الـ text embedding، وبيخزّنوه في Modern Hopfield Network — نوع من الذاكرة الترابطية — تعمل كأرشيف episodic. وقت الاستدلال، النموذج بيسترجع التصحيح المناسب عبر soft attention مع similarity gate، وهيك بيقدر يتعرف على الكلمة حتى لو جاءت بشكل مختلف شوي (fuzzy morphological matching). على benchmark من 312 اسم علم متعدد اللغات عبر 18 عيلة لغوية، FlowEdit قلّل الـ Phoneme Error Rate بنسبة 92.7% مقارنة بالـ zero-shot baseline، وكل تصحيح بيخلص بـ 15 ثانية تقريبًا على GPU واحد.

لمّا بنستخدم نماذج لغة كبيرة كـ evaluators داخل أنظمة multi-agent، التحيّزات ما بتضل محصورة — بتنتشر بين الوكلاء كأنها عدوى! الباحث Zewen Liu قدّم إطار نظري اسمه Contagion Networks لقياس هالظاهرة بشكل رسمي. في تجربة على 3 وكلاء يشتغلوا على موديل DeepSeek-chat بثلاث ملفّات تقييم مختلفة، قاسوا مصفوفة الانتقال Cross-Agent Contagion Matrix وطلعت قيم gamma بين 0.157 و0.352 — يعني في انتقال فعلي للتحيّز حتى لمّا الوكلاء من نفس الموديل. الإطار حدّد ثلاثة أنظمة للانتقال حسب الـ spectral radius، وبيّن إنّ الوكلاء اللي من نفس الموديل بينتجوا contagion coefficients أضعف بـ 3-5 مرات مقارنة بنتائج أبحاث سابقة بين موديلات مختلفة. والأهم: زيادة حجم لجنة الـ evaluators من k=1 لـ k=3 قلّص الانتقال الفعلي بنسبة 72.4% — إشي عملي ومباشر للتطبيق! وفريق البحث نشر الإطار كـ open-source.

فريق Çinar-Koraş وزملاؤه من University Medicine Essen بنوا نظام اسمه ACIE — اختصار لـ Agentic Clinical Information Extraction — وهو pipeline بيشتغل on-premise على سجلات المرضى الكاملة اللي بتضم مئات الوثائق وآلاف نقاط البيانات. المشكلة الأساسية إنو الـ metadata اللي بتحتاجها أنظمة الـ RAG العادية للبحث والترتيب غير موجودة أو ناقصة، وكمان الـ standard RAG بيفشل في التعامل مع الوقت والعلاقات بين الوثائق المختلفة. النظام بيعتمد على agentic RAG يستنتج على السياق كله ويربط كل إجابة بمقاطعها الأصلية عشان الطاقم الطبي يقدر يراجعها. جرّبوه على دراسة سجل lymphoma بإشراف أطباء نووي راجعوا كل قيمة مستخرجة، ومن أصل 7,326 حكم قبل الأطباء 96.5% من الاستخراجات — وهاد رقم كتير قوي بمجال البيانات الطبية.

فريق Bhat وزملاؤه قدّموا LooseControlVideo، إطار عمل بيخلّيك تتحكّم بمشاهد الفيديو المولّدة بأسلوب المخرج السينمائي — بدل ما تحتاج تعطي تعليمات دقيقة لكل فريم، بتكتفي بـ صناديق 3D متحرّكة خفيفة (sparse 3D boxes) كبروكسي للأجسام والمسارات. الفكرة إنهم fine-tuned موديل Wan 2.2 على داتاسيت مُعنوَن بترميز جديد اسمه DNOCS يفهم الحجم والاتجاه والتداخل بين الأجسام، وهيك الموديل يقدر يولّد حركة واحتجاب واقعية بناءً على هيكل بسيط أنت حدّدته. والأحلى إنك تقدر تعدّل جزء من المشهد (مثل مسار قفزة أو تفاعل بين شخصين) بدون ما تخرب باقي الصورة. النتائج على benchmarks زي nuScenes وHO-3D وBEHAVE أظهرت تحسّن واضح على النماذج الحالية في دقّة المسار والتناسق الحركي والاحتجاب.

فريق Liu وزملاؤه جابوا طريقة تدريب جديدة اسمها REVES لتحسين قدرة الـ LLMs على تصحيح أجوبتها وقت الاستدلال (test-time). الفكرة الأساسية إنو النماذج المدرّبة بـ RL التقليدي بتتجاهل الخطوات الوسيطة اللي فيها أخطاء مفيدة — يعني لمّا النموذج كاد يوصل للجواب الصح، هاد الخطأ «near-miss» في الطريق بيضيع ومابينستفاد منه. REVES بتحوّل هاي الخطوات الوسيطة لـ prompts منفصلة للمراجعة والتحقق، وبتدرّب النموذج عليهم مباشرة بإطار iterative من مرحلتين. النتائج كتير واعدة: على LiveCodeBench حققوا +6.5 نقطة فوق الـ RL baseline، و+4.0 فوق multi-turn training العادي، وعلى مسألة circle packing وصلوا لنتائج SOTA باستخدام نموذج 4B بس — أصغر بكتير من الأنظمة المقارنة. البحث ظهر على arXiv وانتشر على Hugging Face Daily Papers.

الباحث Liang Su شايف إشي ما انحكى كتير — كل أنظمة الـ LLM serving الحالية بتعيد استخدام الحسابات بس عن طريق الـ KV cache، وهاد منيح لما عندك servers ضخمة وطلبات كتيرة. بس إيش بصير لما تكون شغّال على جهاز صغير أو روبوت محتاج رد سريع كتير؟ هون بيجي الحل: "execution-state capsules" — فكرة إنك تحفظ كامل حالة التنفيذ (مش بس الـ KV cache، بل الـ recurrent state والـ convolution state وكل إشي) عند نقطة محددة، وترجعلها في أقل من millisecond. الـ runtime اللي بنوه اسمه FlashRT وبيشتغل على CUDA بدون تعقيدات الـ block-table. النتيجة؟ على RTX 5090، الـ TTFT (وقت أول token) بيتحسّن من 3.9x عند 2k token لـ 27x عند 16k token — وهيك بصير تعيد استخدام نقاط تنفيذ كاملة بدل ما ترجع تحسب من الصفر.

واحدة من المشاكل الكلاسيكية مع الـ Vision Transformers هي إنها بتشتغل على grids صغيرة من الـ patch tokens — وهاد بيعمل ضيقة كبيرة لما بدنا نعمل مهام dense زي الـ semantic segmentation أو تقدير العمق. الحلول الحالية بتحاول تعوّض هاد الإشي بـ upsampling مدعوم من صور خارجية، بس الباحثون لاحظوا إن هاد الأسلوب بيجيب معه مشاكل: feature leakage وتشويش وضياع في التفاصيل. فريق Wandel وزملاؤه قدّم ViT-Up، إطار عمل للـ upsampling بيبني الـ queries مباشرةً من الـ hidden states الوسيطة داخل الـ ViT نفسه — من غير ما يحتاج أي encoder خارجي — وهاد بيخلّيه يتنبّأ بالـ features على أي إحداثيات متواصلة مع الحفاظ على التوافق مع الـ backbone. النتائج على Cityscapes و SPair-71k ضد نماذج أحدث الحلول تبيّن تحسّن واضح، وتزيد مع ما يكبر الـ backbone.

الروبوتات في الواقع بتعتمد على حساسات متعددة — كاميرات وتعليمات لغوية — بس شو بصير لو حساس واحد طار أو اتعطّل؟ هون بيجي RL4IL، الطريقة الجديدة اللي قدّمها Ismkhan وزملاؤه. الفكرة الأساسية: بدل ما تعيد تدريب النموذج من أوّله، النظام بيستخدم RL policy مدرّبة بـ Proximal Policy Optimization عشان تختار أنسب examples من مكتبة التدريب، وبعدين soft cross-attention fusion بيدمج إشاراتهم وبيطلّع القرار. لما بتغيب modaliy معيّنة وقت التشغيل، policy منفصلة بتلاقي demonstrations مشابهة وبتعمر الـ embedding المفقود — وكل هاد بدون أي إعادة تدريب. على ثلاث suites من LIBERO benchmark، النظام تفوّق على أحسن الطرق الحالية في scenarios انقطاع الحساسات.

فريق Kolli وزملاؤهم جاؤوا بسؤال مهم جداً: إيش بالضبط في صورة الشخص بيخلّي الـ MLLMs تحكم عليه بطريقة معيّنة؟ عشان يجاوبوا عليه بدقة، بنوا benchmark اسمه StylisticBias — توليدوا 500 وجه واقعي وعملوا على كل وجه نحو 50 نسخة بتغيّر فيها إشي واحد بس كل مرة (زي الملابس، الوزن، العمر)، وطلعوا بـ 25 ألف صورة تقريباً. الفكرة الذكية هون إنهم خلّوا هوية الشخص ثابتة وغيّروا سمة واحدة بس، هيك ممكن يقيسوا أثر كل سمة لحالها. اختبروا ستة MLLMs على 25 سيناريو اجتماعي، ولاقوا إن العمر وشكل الجسم هم الأكثر تأثيراً على مستوى الهوية، بينما أسلوب الموضة يعمل أكبر تحوّل على مستوى السمة — والأهم إن 15 سمة بس بتفسّر 80% من كل الانحياز الموجود.

فريق Shepard وزملاؤه جايين بفكرة بسيطة بس مهمة: الـ coding agents المبنية على LLMs بدها «معرفة تشغيلية» عن الـ repository — يعني إيش الملفات فيها إيش، وكيف تشغّل الاختبارات، وإيش الأخطاء اللي صارت قبل. هاي المعلومات عادةً بتتحط في ملفات اسمها AGENTS.md، بس الدراسات اختلفت على إذا بتساعد أو بتضرّ. الورقة بتقول: المشكلة مش بالفكرة، المشكلة بكيف بتنتج الـ guidance. حلّهم هو إجراء اسمه probe-and-refine tuning: بيستخدم bug-fix probes اصطناعية عشان يشخّص مشاكل ملف التوجيه ويصلحها عبر single-shot LLM calls — من غير ما يحتاج agent loop أو أدوات أثناء الـ tuning. اختبروه على benchmark SWE-bench Verified مع موديل Qwen3.5-35B-A3B، وطلع معدل حلّ 33.0% مقابل 28.3% للـ baseline الثابت و25.5% بدون أي توجيه.

فريق Engels وزملاؤه من Google DeepMind بيسألوا سؤالاً كتير مهم: هل نماذج اللغة اللي بتشتغل بآلية الـ diffusion بدل الـ autoregressive — زي DiffusionGemma — بتصير أقل قابلية للتفسير؟ قسّموا موضوع الشفافية لقسمين: شفافية المتغيّرات (يعني هل احنا فاهمين شو بيصير في الحالات الوسيطة؟) وشفافية الخوارزمية (هل نقدر نعيد بناء طريقة تفكير النموذج؟). اللي لقوه مفاجأة: بعد ما خلّوا المعلومات تعدي من خلال token bottleneck قابل للتفسير، الـ opaque serial depth نزل من 28.6 ضعف لـ 1.1 ضعف مقارنة بـ Gemma 4 — وبدون أي خسارة بالأداء! وكمان اكتشفوا ظواهر جديدة خاصة بالـ diffusion زي الـ non-chronological reasoning والـ token smearing، وبيقولوا إن DiffusionGemma بتعادل Gemma 4 من ناحية الـ monitorability. البحث نُشر كـ preprint على arXiv.

فريق Salcan وزملاؤه من جامعة فرايبورغ قدّموا بحثًا بيحاول يحل مشكلة كتير ناس واجهتها في الـ AI الطبي: كيف تدرّب نموذج VLM يفهم الصور الطبية ويحدّد مواقع الأشياء فيها، بدون ما تحتاج متخصصين يعلّموا كل صورة يدويًا؟ الحل كان بناء dataset اسمه RefRad2D، فيه 1.2 مليون صورة CT وMR مع نصوص سريرية بالإنجليزي والألماني، اتولّدت بيانات الـ grounding فيه أوتوماتيكيًا باستخدام LLMs وتقنيات segmentation. النموذج المبني عليه اسمه RadGrounder وبيقدر يولّد تقارير طبية، يجاوب على أسئلة VQA، ويحدّد مواقع التشريح والحالات المرضية عبر bounding boxes أو segmentation — والأحلى إنه إضافة الـ grounding supervision ما أثّر سلبًا على جودة اللغة ولا على أداء الـ VQA.

فريق Xie وزملاؤه قدّموا DataMagic، نظام end-to-end بيحوّل بيانات الجداول الخام وأسئلة اللغة الطبيعية لفيديوهات تحليلية متكاملة — فيها رسوم متحركة، وصوت، وسرد زمني مترابط. الإشي المميز هون إنهم ابتكروا مواصفة تعريفية اسمها DVSpec تربط كل عنصر بصري وكل حركة بحقل بيانات حقيقي عشان تضمن دقة البيانات ومصدرها. وعشان يتعاملوا مع التعقيد الكبير في تصميم الفيديو، استخدموا معمارية multi-agent اسمها Generate-then-Orchestrate تولّد المشاهد بالتوازي وبعدين تنسّق السرد بشكل كلي. النظام كمان بيدعم ثلاث أوضاع تفاعل وسؤال وجواب مبني على provenance، فبدل ما الفيديو يكون عرض من اتجاه واحد بصير واجهة تحليلية تقدر تستكشفها. تقييموه على 109 عيّنة من بيانات حقيقية وطلع فعّال. البحث preprint على arXiv.

فريق Asaria وزملاؤه بحثوا في سؤال عملي كتير مهم: لما شخص بيسأل عن قانون الإيجار في أونتاريو (RTA)، كيف نخلّي الـ LLM يعطيه المادة القانونية الصحيحة بالضبط؟ جرّبوا أربع طرق على نموذج Qwen2.5-7B-Instruct: zero-shot عادي، و LoRA fine-tuning بس، و RAG بس، وأخيرًا SFT+RAG مع بعض. النتيجة الأهم إنه الـ retrieval مش اختياري — بدونه النموذج بيخترع مواد قانونية مش موجودة، لكن لما تجمع الـ fine-tuning مع الـ RAG وصلوا لـ exact-match 0.481 مع صفر هلوسة. الملفت إنه retrieval model صغير وبسيط (bge-small) كان كافيًا تمامًا وما احتاجوا نماذج كبيرة أو بيانات أكثر، بس الهدف 0.70 exact-match لسّا بعيد.

فريق الباحثين من Ma وزملاؤه جابوا سؤال كان محيّر كتير في مجال الروبوتات: هل ممكن نحلّ أزمة البيانات في الـ embodied AI بفيديوهات البشر بدل بيانات الروبوت المكلّفة؟ البحث بيقارن بصورة منهجية بين بيانات egocentric human video (يعني فيديوهات مسجّلة من منظور شخصي للإنسان وهو بيتحرك ويشتغل) وبيانات teleoperated real-robot trajectories كمصادر لـ pretraining نماذج الروبوتات. النتيجة كانت مفاجئة: لما شغّلوا pipeline مضبوط لفلترة ووسم الفيديوهات، النماذج اللي اتدرّبت على بيانات البشر حقّقت validation loss أقل بـ 24% على توقّع حركات الروبوت، وأداء أعلى بـ 52.5% على مهام مألوفة وبـ 90% على مهام غير مألوفة. الفكرة: pretrain على فيديو بشري متنوّع عشان النموذج يتعلّم تمثيلات غنية للعالم، وبعدين fine-tune بكميّة صغيرة من بيانات الروبوت الحقيقي.

تخيّلي شكل ثلاثي الأبعاد لو نظرت إليه من الأمام شُفت أسد، ومن الجنب شُفت طائر — هاي هي الـ 3D visual illusion! فريق Zhang وزملاؤه قدّموا JanusMesh، إطار عمل سريع وما بيحتاج أي تدريب مسبق (zero-shot) لتوليد هيك أشكال انطلاقاً من نص فقط. الفكرة مقسومة على مرحلتين: الأولى هي cross-space dual-branch denoising بتوازن بين فضاءين في نفس الوقت — voxel space لمحاذاة الاتجاهات باستخدام CLIP، وSDF blending لدمج الأشكال بدون تشققات مرئية. المرحلة الثانية بتضيف texture بالاعتماد على 2D diffusion priors من زوايا مختلفة. النتيجة؟ وهم بصري ثلاثي الأبعاد واقعي وبمعنيين مختلفين، وكله بـ 3-5 دقائق بدل الساعات اللي بتاخذها الطرق القديمة. البحث preprint على arXiv وانتشر على Hugging Face Daily Papers.

أنظمة الـ text-to-speech الحديثة بتقدر تتحكّم بأسلوب الصوت عبر وصف نصّي طبيعي — بس كيف كل كلمة بالوصف بتأثّر على الموجة الصوتية الناتجة؟ هاد السؤال ما كانش مفهوم. الباحثون من فريق Mathur وزملاؤه قدّموا طريقة جديدة بتعتمد على cross-attention attribution، بتكيّف إطار DAAM — اللي كان مخصّص للصور — وبتطبّقه لأوّل مرة على نماذج speech diffusion. شغلوا التحليل على نظام CapSpeech-TTS، واستخرجوا heatmaps لكل token عبر 25 طبقة و24 خطوة ODE على 3,600 تركيبة من الأوصاف والنصوص. النتائج كشفت إشياء كتير حلوة: التوكنز اللي بتوصف الأسلوب بتشتغل كـ global conditioning وما بتتغيّر كتير مع الوقت، وارتباطها قوي مع F0 والطاقة، وأهميتها بتوصل لذروتها في الطبقات العميقة وأوائل خطوات التوليد. البحث نُشر كـ preprint على arXiv.

فريق Lan وزملاؤه جاءوا بفكرة حلوة: بدل ما نحتاج datasets ضخمة مرتّبة يدويًا، ليش مش نستخدم الـ LoRAs اللي المجتمع ينزّلها على الإنترنت؟ FreeStyle بتعتمد على هاي الـ community LoRAs كأنها «مراسي» للأسلوب والمحتوى، وتبني منها triplets واسعة النطاق للتدريب. المشكلة الأصعب كانت الـ semantic leakage — يعني لمّا النموذج بيتسرّب منه معنى الصورة المرجعية للأسلوب وبيخلّط الإشيين — وحلّوها بمرحلتين: قيد على مستوى الـ attention في المرحلة الأولى، وتعديل على الـ RoPE بوعي بالترددات في المرحلة الأصعب. كمان قدّموا benchmark جديد بمقياسَين: Content Alignment Score (CAS) مقاوم للأسلوب، وVLM-based Rejection Score لقياس مدى تسرّب المعنى. البحث ظهر كـ preprint على arXiv ضمن cs.CV.