شو في AI؟ | 28 يونيو — تحسين الفهرسة وتوليد فيديو متعدد المشاهد

الفريق اللي بيضم Yongjia Lei وزملاؤه قدموا طريقة جديدة لتقوية الفهرس اللي بنستعمله بالبحث. بدل ما ننتظر وقت الاستعلام لنفكّ الشغلة، بيضيفوا توضيحات (rationales) مولدة من LLM على الوثائق وقت الفهرسة، وبيستغلوا تعلّم معزّز (reinforcement learning) لتدريب هالتوضيحات. باستخدام خوارزمية GRPO كمكافأة، بيقيسوا جودة الفهرسة عبر تشابه الاسترجاع، فبيصير البحث أسرع وأدق. التجارب على benchmark BRIGHT ورّيت إن الطريقة بتحسّن الاسترجاع وإجابات الأسئلة بدون ما تأخر وقت الاستعلام.

الفريق قدم UnityShots، نظام لتوليد فيديوهات صوت‑صورة متعددة المشاهد يعتمد على ذاكرة منظمة. النظام يحافظ على مكوّنات ثابتة مثل مظهر الشخصيات والسياق المشهدي وهوية المتحدث عبر مشهدين ثابتين: ذاكرة طويلة الأمد (LTM) وذاكرة قصيرة الأمد (STM). كل ما يجي قطع جديد، بوابة حساسة للحدود تدمج احتمالية القطع البصري وإشارات إيقاع الموسيقى لتحديث الذاكرة. كمان يضيفوا توكن المتحدث لكل مشهد ليحافظوا على صوت ثابت بدون بنك صوت متحرك، ويستخدموا AdaLN لتعلم prior للنوع القطعي كعنصر تحكم أثناء الاستنتاج.

الباحثين جربوا الـ Multimodal Chain-of-Thought على 12 مهمة فيها رؤية وتفكير، واستخدموا 14 نموذج غير مخصص للتفكير و8 نماذج مخصصة للتفكير. لقوا إنه الـ CoT ما بيشتغل كلّ الوقت؛ بالمهمات البصرية بيقلل من الدقة، خصوصًا بالـ visual grounding وعدّ الأشياء، لكن بالمهمات اللي فيها حسابات رياضية أو علمية أو ربط بين صور متعددة بيكون فعال. كمان النموذج المفتوح المصدر للـ multimodal reasoning ما بيضيف تحسين كبير، لأنه بيركّز كثير على الرياضيات وبيغفل عن باقي القدرات. وأخيرًا، بيظهر إنه النماذج بتفكّر بصوت عالي لكن بتفقد التركيز البصري خلال العملية، يعني "Look Light, Think Heavy".

الفريق الباحث قدم معيار جديد اسمه AGORA بيختبر قدرة نماذج اللغة الكبيرة إنها تتصرف كوكيل وتستكشف ملفات عمل ضخمة لتلاقي الأدلة وتجاوب على أسئلة. المعيار فيه 362 سؤال مع 8 مجموعات وثائق أصلية بتوصل لـ 9,664 ملف و372 مليون توكن، يعني أكبر بكتير من حجم السياق اللي تقدر أي نموذج تحطه. لحتى يجاوبوا، الوكلاء لازم يختاروا وين يدوروا بدل ما يقروا كل شي، وهذا بيختبر استكشافهم الفعّال. التجربة بينت إن أقوى نموذج وصل بس لـ 59.4% دقة، يعني لسه في كتير شغل.

الفريق Ye و Yu قدموا طريقة جديدة اسمها JERP لتقوية سلوك الـ LLM Agents اللي بيشتغلوا ببيئات تفاعلية متعددة الخطوات. الفكرة إنّه بنجمع القواعد التجريبية من التجارب السابقة وبنحدّثها مع السياسة (policy) بنفس الوقت، بحيث لما الوكيل يقرر بيستدعي القواعد المناسبة ويضيفها لتاريخه. بعد كل حلقة، بنستغل المسارات اللي جمعناها لتدريب السياسة وتعديل مجموعة القواعد عبر مقارنة النتائج بالمسارات الناجحة. التجارب على AlfWorld وWebShop ورّجت إنّ JERP يرفع الأداء بشكل ثابت.

الفريق اللي بيضم Qizhi Pei وزملاؤه قدموا BioMatrix، أول نموذج أساس حيوي بيدمج السلاسل، البُنى، واللغة الطبيعية للمولكولات والبروتينات بكل بساطة داخل معماريّة decoder‑only وحدة. بيحوّل كل هالوسائط لمساحة رموز مشتركة عبر نظام tokenization موحد، فبدون مشغلات خارجية أو رؤوس مخرجات خاصّة. النموذج مبني على Qwen3 (1.7B و4B) وتدرب على 304.4 مليار رمز من نصوص، سلاسل، وبُنى، وكمان بيانات تفاعلية بين المولكولات والبروتينات. بعد ما ضبطوه على 80 مهمة، وصل لأداء state‑of‑the‑art أو تنافسي بـ77 مهمة، يعني نموذج واحد بيقدر ينافس الطرق المتخصصة.

الباحثين قدموا فكرة نماذج اللغة المتدرجة (Tiered Language Models) اللي بتخلّي وزن واحد للـLLM يشتغل بأكثر من مستوى قدرة. بالوضع العام النموذج بيشتغل زي أي LLM تقليدي، وبإضافة مفتاح سري صغير بيغيّر جزء بسيط من المعاملات وبيفتح قدرات إضافية مثل لغة جديدة أو معرفة خاصة. هم درّبوا نماذج 180M و650M من هالنوع، وأظهروا إن المفتاح بيسمح للنسخة الخاصة تتعلّم تعليمات أو تحفظ معلومات خاصة بدون ما يبين هالشي للنسخة العامة. الطريقة كمان بتصعب استخراج القدرات عبر تعديل النموذج أو سرقة المفتاح الجزئي.

الفريق اللي بيقوده Chenhao Dang وزملاؤه بيقدّموا طريقة جديدة اسمها Holistic Data Scheduler (HDS) لتعديل مزيج البيانات أثناء تدريب نماذج اللغة الكبيرة. الطريقة بتحوّل اختيار البيانات لمشكلة تعلم معزز وبتستعمل خوارزمية Soft Actor-Critic لتستكشف سياسات التحكم المستمر بثبات. المكافأة فيها ثلاث وجهات: جودة البيانات، تأثير الخسارة بين المجالات، ومعايير وزن النموذج. التجارب على The Pile أظهرت إن HDS يوصّل لنفس الدقة بعدد تدريبي أقل بـ44% ويقّدم تحسين 7.2% على اختبار MMLU بدون شوت.

الفريق قدم ChartWalker، إطار جديد بيبني مهام RAG عبر المخططات. إشي بيستعمل طريقة بناء knowledge graph هرمية بتنظم الكيانات والعلاقات حسب الدقة، وبعدين عينة بنظام structure‑aware لتوليد أسئلة من خطوات متعددة مع تحكم بصعوبة السؤال. النتيجة مجموعة ChartWalker‑Bench اللي فيها أسئلة من مجالات علمية، تجارية وسياسية، وبتبين إن الأنظمة الحالية ما بتقدر تتعامل مع هالتحديات.

الفريق بقيادة Josef Chen درس كيف إنه أنظمة الـLLM المتعددة مثل routing, voting, cascades, fusion و mixture-of-agents ما بتعطي تحسين غير محدود. لقوا إنه الدقة ما بتتعدّى 1‑beta، وين beta هو نسبة إنه كل النماذج بتغلط على نفس السؤال. هالحد ما بيظهر بالمعايير التقليدية مثل متوسط الارتباط الزوجي rho، وبيحتاجوا لتقنية Clopper‑Pearson لتقدير beta بثقة. من خلال تحليل 67 نموذج من 21 مزوّد، اكتشفوا إنه الجمع بين النماذج نادراً ما بيتفوق على أحسن نموذج لحاله إلا إذا كان فيه إشارة توجيه قوية على مستوى السؤال.

الفريق Zenn و Geiping فحصوا العلاقة بين احتمال السلسلة وصحة الإجابة عبر طرق فكّ الشيفرة، الإعدادات، وأزواج السؤال‑الإجابة بالمجموعات. لقوا إن احتمال السلسلة العالي غالبًا بيدل على صحة الجواب داخل مجموعة ثابتة، بس هالعلاقة ما بتستمر إذا غيرنا طريقة فكّ الشيفرة أو إعداداتها. كمان، احتمال السلسلة ما بيكون مؤشر موثوق لجودة الردود المتكررة لنفس السؤال. النتائج بتوضح إمتى فكّ الشيفرة ممكن يحسّن الدقة وإمتى ما بيستاهل.

الباحثين قدموا BINEVAL، إطار بيقسم معايير تقييم الـ LLM لسلسلة أسئلة ثنائية بسيطة وبعدين يجمع الإجابات لدرجات متعددة الأبعاد. كل سؤال بيتولد بواسطة meta‑prompt والـ LLM بيجاوب عليه لحاله، فبنحصل على ملاحظات شفافة على مستوى كل سؤال مع درجات calibrated للنتيجة الكلية. التجربة على مجموعات SummEval، Topical‑Chat وQAGS ورّيت إن BINEVAL يساوي أو يتفوق على UniEval وG‑Eval، خصوصاً بموضوع التناسق الواقعي.

المؤلفين Mingguang Chen و Bo Qu قدموا InvestPhilBench، بنشمارك متعدد الطبقات بيقيس كيف النماذج الكبيرة بتفهم وتطبق خطوات اتخاذ القرار عند المستثمرين الخبراء. البنشمارك فيه ٨ مستويات من تحديد المبادئ لحد استنتاج أطر جديدة، مع 118 بطاقة مبدئية، 25 بطاقة أطر قرار، و243 سؤال. عشان يقيموا الأداء، حطوا نظام تقييم آلي BASP فيه خمس مقاييس، وبروتوكول كشف الأخطاء FMDP، وكمان مقياس GRA لتدقيق خطوات التفكير. التجربة الأولية أظهرت إن النماذج الكبيرة بتكتب نصوص بطلاقة لكن بتضلّ عندها فجوة بإتقان الإجراءات.

الفريق تبع Fabiana Fournier و Lior Limonad قدموا آلية جديدة اسمها Process Harness، بتخلي الأنظمة القديمة تشتغل مع طبقة ذكية من الوكلاء بدون ما نبدل محرك سير العمل الأصلي. الآلية بتضيف ثلاث وكلاء – TaskAgent، DecisionAgent، و FlowAgent – كل واحد بيشتغل بنقطة تحكم معينة وبيستند لسياسة موحدة اسمها FRAME. النموذج اسمه Task-Decision-Flow (TDF) بيحدد كيف توزع التفكير على الوكلاء وتنفذ التعديلات أثناء تشغيل العملية. جربوا الفكرة على مثال موافقة قرض، وبيّنوا كيف الوكلاء يقدروا يضيفوا تفكير وتكيّف مع الحفاظ على قواعد العملية.

الفريق Chen Lin وزملاؤه قدموا طريقة ReNIO لتقوية عملية التقطير اللي بيشتغل على نماذج اللغة الكبيرة. الفكرة إنهم بيعطوا وزن أكبر للنتايج اللي فيها أخطاء، لأن الأخطاء بتظهر نقاط التفكير اللي النموذج ما عرف يوصل لها. الطريقة بتعتمد على نسبة احتمال الطالب للمعلم، وما بتحتاج تشوف الجواب النهائي، فبتحافظ على ميزة التدريب بالبادئة. التجارب على مسائل رياضية وتوليد كود ورّيت تحسينات وصلت لـ 8.9% و10% على نماذج Qwen3-1.7B وR1‑Distill‑Qwen‑7B.

الفريق قدموا Counsel، أول مجموعة بيانات عامة لتقييم كيف الوكلاء بيتعاملوا مع مهام معقّدة. المجموعة فيها نقد من LLM-as-a-judge على خطوات الوكلاء في benchmarkين: tau-bench لوكلاء دعم العملاء وDA-Code لوكلاء البرمجة، وكمان تقييمات بشرية للنقد. الباحثين صنّفوا النقد حسب إذا كان على المكان الصح أو إذا كان reasoning ضعيف، ولقوا إنه judges أقوى بيفهموا أحسن. هالبيانات مفتوحة ومسموح فيها للكل يشتغل عليها لتقوية تقييم الوكلاء.

شوفوا كيف فريق الباحثين قدم AOHP، نظام تشغيل مبني على Android Open Source Project، بيخلي الوكلاء يتصرفوا كأنهم جزء أساسي من النظام. النظام بيسمح بواجهة مخصصة، تكاليف تنفيذ أقل بكتير، وبيحافظ على أمان المعلومات. التجارب الأولية أظهرت تحسين بنسبة 21.12% في إكمال المهام وتخفيض 51.55% بتكلفة الـ token. هالشي بيفتح باب لتطبيقات أكثر أمان وسرعة للذكاء الاصطناعي على الموبايل.

هالورقة قدمت QG-MIL، مجمع مبني على Transformer gated بيحافظ على توازن الانتباه بين العينات الطبية. استخدموا أربع مكوّنات: RMSNorm pre‑normalization، per‑head QK normalization، gating للـ attention output، ووحدات feed‑forward بنمط SwiGLU. التجارب على ستة benchmarks من صور الشرائح المرضية وخلايا الدم ورّيت إنه QG‑MIL حسّن المتوسط الماكرو F1 بـ 6.1 نقطة مقارنة بأفضل الطرق. كمان بيّنوا إنه الانتباه صار موزّع أكتر بدون أي خسائر إضافية أو تنظيمات معقّدة.

الفريق قدم طريقة جديدة اسمها LISA لتقوية الشبكة الجانبية اللي بتتحكم بالصور والفيديوهات حسب شرط بصري. الفكرة إنه بيتم ربط مميزات هالشبكة بدرجة احتمالية تقريبية عبر ديكودر خفيف، وبنضيف خسارة تنظيمية للـ training. التجربة أظهرت إنه التدريب بيصير أسرع والنتائج النهائية أحسن، وكل هاد بدون ما يضيف عبء على وقت الاستنتاج.

الفريق قدم إطار اسمه RiVER بيخلّي تدريب نماذج اللغة الكبيرة على مهام تحسين بالنتيجة (score) يشتغل حتى لو ما في حلول صحيحة معروفة. الطريقة بتستعمل ملاحظات تنفيذ حتمية كإشراف مستمر، وبتعالج مشكلتين مهمتين: سيطرة حجم المكافآت غير المتناسقة وتكرار حلول ضعيفة بتغلب حلول أقوى نادرة. عن طريق تعديل المكافآت بطريقة مقارنة بين العينات والتركيز على أعلى المتصدرين، RiVER قدر يرفع أداء موديلات Qwen3-8B وGLM-Z1-9B-0414 على اختبارات ALE‑Bench وLiveCodeBench وUSACO.