شو في AI؟ | تجميع الأسبوع 27 يونيو — نمذجة عالم داخل السياق وتحكم روبوتي

الفريق Wang وزملاؤه قدموا طريقة جديدة اسمها In-Context World Modeling (ICWM) عشان الروبوتات تقدر تتعرف على حالتها من خلال شوية تفاعلات سابقة، بدون ما نحتاج نعيد تدريب النموذج. الفكرة إنه النموذج بيستغل نافذة السياق ليعرف كيف النظام بيشتغل، مش بس يتبع الأوامر الحالية. بهالطريقة الروبوت بيقدر يتعامل مع كاميرات أو أشكال جديدة من غير ما نضطر نعمل fine‑tuning كثيف. التجارب على محاكاة وحقيقي أظهرت إنه ICWM بيتفوق بكتير على الطرق التقليدية خصوصاً مع تغيّر زاوية الكاميرا.

الفريق قدم طريقة InfoKV لتقليل حجم ذاكرة الـ KV اللي بتستخدمها نماذج اللغة الكبيرة وقت التفكير الطويل. بدل ما يعتمدوا بس على أوزان الـ attention لتحديد أهم الكلمات، استعملوا مقياس جديد اسمه Forward Influence بيقيس كيف كل كلمة ممكن تأثر على السياق المستقبلي. كمان دمجوا إشارة عدم اليقين التنبؤي مع تطور التمثيلات الطبقية، ودمجوها مع الـ attention لتحديد أي توكنات نضغطها. التجارب على Benchmarks طويلة السياق مع Llama-3.1 وLlama-3.2 وDeepSeek-R1 أظهرت إن InfoKV يتفوق على طرق الضغط السابقة في كل من مرحلة التحميل والإنشاء.

الفريق Chen وLan وVedaldi قدموا PhysiFormer، transformer مبني على diffusion لتوليد حركة ثلاثية الأبعاد واقعية للأجسام. النموذج ياخد مواضع الرؤوس والسرعات ونوع المادة، ويولد مسارات مستقبلية مباشرةً في إحداثيات العالم، من غير ما يحتاج أي افتراضات مسبقة عن الصلابة أو السببية. العملية كلها بنظام denoising diffusion، والـ attention مفصول على الوقت والمساحة والأجسام لحتى يشتغل بكفاءة على مشاهد فيها أكتر من جسم. تم تدريب النموذج على أكثر من 100k مسار محاكى، وبيظهر أداء أحسن بكتير من الطرق autoregressive من حيث دقة المسار، الحفاظ على الصلابة، والاتساق الفيزيائي.

الفريق He و Choi و Yoon قدموا إطار عمل اسمه Robust-TO بيضيف مقياس موثوقية لكل فريم بالفيديو، يعني ما بيخلي النموذج يثق بكل صورة كأنها نظيفة. كل أداة بصرية بتستقبل سؤال فرعي وإطار موثوق وبترد بأدلة مثل صندوق حدود أو نص أو فعل مع درجة موثوقية. هالدرجات بتتجمع بثلاث مستويات لتحدد وزن الأدلة، وفيه مكافأة اسمها confidence-cost GRPO بتحسّن الدقة والفعالية. التجارب على benchmarkين للفيديو أظهرت إن Robust-TO وصل لـ56.4% دقة على البيانات النظيفة وتفوق على Gemini-2.5-Pro وحتى تحت تشويش واقعي ما انخفضت الدقة كثير.

الفريق قدم DailyReport، معيار مفتوح بيقيس قدرات وكلاء البحث اللي بيستعملوا LLMs على مهام بحث يومية. فيه 150 مهمة مفتوحة مع 3,546 rubric بتغطي أسئلة واقعية ومُحدّثة، وكل مهمة بتنقسم لمهام فرعية وبيتم تقييمها عبر cascade rubrics بأبعاد منفصلة. الطريقة بتعطي درجات تفسيرية لكل بُعد وتلخّصها بدرجة تفضيل المستخدم. التجربة على 17 نظام وكيل أظهرت إنهم بعدهم ما وصلوا لتوقعات المستخدمين.

الفريق اللي بيضم Xiaoyue Xu وزملاؤه بيقترحوا طريقة بسيطة من ناحية البيانات، يشتغلو فيها على ثلاث مجموعات مهام: الاسترجاع، تجميع أدلة متعددة، والتفكير. جمعوا 8 مجموعات بيانات فيها حوالي 14 ألف مثال، وجرّبوا هالوصفة على ثلاثة نماذج Qwen (4B/8B/30B-A3B) وشافوا تحسينات واضحة على سبع benchmarks للـ long‑context. كمان لما استمروا بالتدريب على نموذج مُجهَّز للوكيل، ارتفعت أداء GAIA وBrowseComp. الباحثين رح يطلقوا مجموعاتهم للكل لتسهيل الأبحاث الجاية.

الفريق قدم طريقة جديدة اسمها Trajectory‑Augmented Policy Optimization (TAPO) لتقوية الـ self‑distillation بالـ LLMs. بدل ما يطابقوا توزيعات الاحتمالات بس، TAPO بيولد مسارات صغيرة فيها الخطأ لحد ما يصير، وبعدين يضيف تشخيص طبيعي‑اللغة وتصحيح مبني على مثال صحيح من نفس المجموعة. هالطريقة بتحافظ على توزيع النموذج على طول التدريب وبتقلل التداخل بالـ gradient. التجارب على مسابقات رياضية مثل AIME وHMMT أظهرت تحسين ثابت مقارنةً بـ GRPO.

الورقة بتقدّم benchmark جديد فيه 440 مهمة على سطح المكتب، بيقارن بين وكلاء GUI اللي بيشتغلوا بشاشات بس وبين وكلاء CLI اللي بيستعملوا أوامر مهارة. كل وكيل استقبل نفس الهدف والحالة، بس كل واحد مقيد بطريقته الأصلية. النتائج بتظهر إن أقوى وكيل GUI وصل لـ59.1% نجاح، بينما تحسين مهارات CLI رفع نسبة النجاح لـ69.3%، يعني العائق بالـCLI أكتر بنقص المهارات مش بنقص النموذج.

الفريق قدم GauntletBench، منصة ويب بتقيس قدرة الوكلاء على شغل مهام صعبة ما بنشوفها كتير، مثل الفهم الزمني، الفهم الرسومي، والتفكير ثلاثي الأبعاد، ضمن خمس تطبيقات احترافية. كل تطبيق فيه عشرين مهمة بصرية، يعني مجموع ميت مهمة. النتائج فرجتنا إن أقوى وكيل حالياً وصل بس 19.1٪ نجاح، بينما البشر العاديين يقدروا ينجزوا أكتر من 80٪.

الفريق قدم أداة اسمها Facet-Probe لتدقيق حساسية الترتيب عند نماذج اللغة الكبيرة المتعددة الوسائط. الفحص يغطي خمس جوانب: الاختيار، قطعة الدليل، ترتيب المستند، مجموعة الصور، وترتيب الأنماط المختلطة، وباستخدام نموذج بايزي للردود بيفصلوا بين ضجيج الترتيب والتحيز. النتايج أظهرت إن ولا نموذج من الـ18 اللي اختبروه ما فيه استقرار للترتيب، ومعدل القلب بين 24٪ و50٪، وأقوى نموذج لسا بيقلب الجواب بـ13.4٪ من الحالات. جربوا تعديل الـprompt بدون تدريب، ولقوا إن التحسين محدود وما بينتقل بين النص والرؤية.

الفريق اقترح إطار توائم رقمية يعتمد على اللغة لتقليد سلوك الحديث عند كبار السن، ودمج إشارات ستايلومتريكية وبيانات سياقية. استخدموا large language models مع multi-head conditional variational autoencoder (cVAE) لقياس جودة الاسترجاع وتوقع درجات الإدراك. جربوا النموذج على مجموعة I-CONECT ولقوا إنه بيحافظ على الخصائص الشخصية وبيحقق أخطاء توقع MoCA قريبة من البيانات الحقيقية، متفوق على ردود GPT العادية.

الفريق قدم طريقة جديدة اسمها PEEU، بتخلي الوكلاء الصغار يكتشفوا بيئات الويب لحالهم ويستفيدوا من الخبرات المتراجعة لتوليد بيانات تدريب عالية المستوى ومتوافقة. كمان حطوا إطار TDHAF لتحليل كيف بتنقسم المهام على مستويات منخفضة ومتوسطة وعالية، ولقوا إن التدريب على مستوى عالي بيقوي القدرة على التعميم خارج النطاق. التجارب على benchmark حقيقي ورّيت إن نموذج 7B حقّق 30.6% دقة، وتفوق على نموذج Qwen2.5-VL-32B الضخم.