شو في AI؟ | 30 يونيو — أداء تريليون باراميتر وتحرير مباشر

الفريق قدم Agents‑A1، نموذج Agentic بحجم 35 بillion مع تقنية Mixture‑of‑Experts. الفكرة الأساسية إنّه بيوسّع أفق الوكيل عن طريق مسارات طويلة طولها متوسط 45 k توكن، وبيدمج معرفة خارجية وإجراءات ومراجعات. النموذج تدرب بثلاث مراحل: fine‑tuning شامل، تدريب معلمين متخصصين لكل مجال، ثم تقطير on‑policy متعدد المعلمين مع توافق المفردات. النتيجة إنّ Agents‑A1 يحقق أداء قريب من نماذج تريليون باراميتر على مجموعة من Benchmarks الطويلة الأمد.

الفريق قدم TUA-Bench، بنشمارك جديد بيقيس قدرات الوكيليات اللي بتشتغل من خلال الترمينال على 120 مهمة واقعية من تحرير مستندات وإدارة إيميلات لحد شغل علمي مع برامج متخصصة. كل مهمة مصممة يدويًا وبتتنفذ بترمينال حقيقي مع سكريبت إعداد ثابت، والتقييم بيتم بنظام scoring يعتمد على تنفيذ المهمة. أفضل وكيل جربوه، Claude Code مع Claude Opus 4.8، وصل لـ 65.8% من الأداء الكلي، بس لسه فيه فجوات كبيرة. الهدف إن هالبنشمارك يسرّع تطور الوكيليات من مساعدات متخصصة لمساعدات عامة موثوقة بكل البيئات الرقمية.

الفريق قدم إطار عمل جديد لتعديل الفيديو بشكل مباشر، يشتغل إطار بإطار مع الحفاظ القوي على المحتوى. استعملوا ثلاث مراحل لتقطير القدرة من نموذج قوي ثنائي الاتجاه إلى محرر أحادي الاتجاه سريع، فصير عندنا تعديلات ثابتة على طول الفيديو بدون ما تنقص الجودة. كمان أضافوا نظام تخزين للماسك يخفّف الشغل بين الإطارات، فسرعة الاستنتاج صارت 12.66 إطار بالثانية. هالطريقة وصلت لأعلى جودة بين طرق التعديل الحي وبتسرعة تخليها مناسبة لتطبيقات الواقع المعزز.

الفريق اللي بيقودها Disen Lan وزملاؤه قدموا طريقة جديدة اسمها FlashMorph لاختيار طبقات الانتباه في الـTransformer. الفكرة إنّو كل طبقة انتباه كامل بتتحول لفرع انتباه خطي، وبنجمّع كلّها مع بعض ونختار الطبقات اللي بنخليها كاملة حسب ميزانية محددة. بعد ما بنجمّع البوّابات، بنحوّل النموذج للهيكل الهجين وبنعمل distillation وتدريب على سياق طويل. النتائج بتظهر إنّو FlashMorph بتعطي أداء قوي على استرجاع النصوص الطويلة وبنفس الوقت بتقلّل تكلفة الاختيار مقارنةً بالطرق السابقة.

الفريق قدم إطار يترجم أوصاف المتطلبات الإستراتيجية المكتوبة بلغة طبيعية إلى صيغ ATL/ATL* باستخدام LLMs. لأن ما فيه مجموعة بيانات جاهزة، هم جمعوا إشي جديد موثَّق من خبراء وصقلوا نماذج وزنها صغير (3‑7B) عبر fine‑tuning. التجربة على مجموعة اختبار أظهرت إن النموذج المدرب وصل لدقة معنوية 0.84، تقريباً نفس أداء الـ few‑shot APIs التجارية، وبنفس الوقت بيشتغل محلياً. كمان حطوا الأداة داخل مدقق منطق استراتيجي موجود لتسهيل على غير الخبراء يحددوا خصائص استراتيجية بطريقه طبيعية.

الفريق قدموا benchmark جديد اسمه Video-MME-Logical عشان يختبر قدرة MLLMs على التفكير بالمنطق الزمني بالفيديو، مش بس يحددوا أشياء بالفريم الواحد. الصندوق بيشتغل على خمس عمليات منطقية: تتبع الحالة، العد المتسلسل، ترتيب الزمن، الفضاء الديناميكي، وتركيب البنية. كل فئة فيها مهام دقيقة مصممة بحالات كائنات وانتقالات وتبعيات زمنية مُتحكم فيها، وبيسمحوا بتقييم الصعوبة عن طريق تغيير أفق الزمن وتعقيد التفكير. كمان بيقدروا يشوفوا إذا الموديل بيفهم الخطوات الوسطية قبل ما يطلع الجواب النهائي.

الفريق Solatorio وزملاؤه بيشتغلوا على استرجاع البيانات المهيكلة، ولقوا إن ترتيب الحقول في النص اللي بنحوّل فيه السجلات بيأثر على جودة البحث بعد ما بنعمل fine‑tuning. اقترحوا طريقة جديدة اسمها PI‑FT، بتخلّي كل مرة نعيد ترتيب الحقول عشوائيًا مع حذف بعض الحقول، فالمعنى بيرتبط بالعلامات مش بالمكان. هالتغيير ما بيكلف غير سطرين بالكود، وبقرب الدقة للنتيجة الأصلية ويقلل خسارة الدقة من 7.4 نقطة لـ 0.2 نقطة على مقياس nDCG@10. كمان قدموا benchmark اسمه DevDataBench يغطي 15 لغة ويختبر كل مؤشر ببياناته.

الفريق قدم أول إطار منهجي يخلّي الكود ثابت ويغيّر بس السياق حوالينه لتفعيل ثلاث انحيازات إدراكية: تأثير الهالة عبر اسم المؤلف، وتأثير الإطار عبر هدف المهمة وعواقبها، وتأثير التثبيت عبر نتائج تحليل سابقة. قيموا ثمانية نماذج LLM بثلاث لغات برمجة، ولاحظوا إن كل النماذج عرضة لهالانحيازات، أعلى نسبة للانحياز الإطاري 33.2%، يليه التثبيت 23.5% والهالة 18.4%. التحليل أظهر إن الثغرات اللي بدها استدلال دلالي أكتر عرضة للانحياز مقارنةً اللي بتنعرف بنمط بسيط، وحتى ممكن يغيّر النموذج قراره من "آمن" لـ "معرض للثغرة" بدون ما يحدد الثغرة فعلياً. كمان أظهروا هجوم أسود‑صندوق يقدر يخفّي حتى 97% من الثغرات المكتشفة مسبقاً.

الباحثين قدموا خوارزميات بتاخد عدم اليقين بالحسبان، مبنية على نظرية بايز وقرارات تجنّب المخاطر، وجربوها على مهمات التدريس الآلي ومراجعة الأقران. الخوارزميات بتستخدم conformal prediction لتعطي ضمانات على الاستراتيجية أو الدرجة، وبتحسب عدم اليقين قبل ما تولد رد أو تقييم. التجارب ورّيت إنه القواعد المتجنبة للمخاطر ممكن تقلل الأداء إذا كان الغموض عالي، بينما الطرق البايزية عادةً بتعطي نتائج أحسن.

الباحثين قدموا أول دراسة منهجية لتأثير الـ stale بالـ asynchronous on-policy distillation، خصوصاً لما بنستعمل teacher‑weighted forward KL أو student‑weighted reverse KL. لقوا إن الـ forward KL بيتحمل الـ stale أكتر، بينما الـ reverse KL بيصير ضعيف، وحاولوا يطبقوا طرق من الـ asynchronous RL لكن ما حسّنوا النتيجة غير طريقة بسيطة تعيد حساب الـ reverse KL وقت التعلم. كمان حددوا إن تخزين teacher‑scores بكمية محدودة بيسبّب توازن بين الانحياز والتباين، فاقترحوا استخدام multi‑sample Monte Carlo لتقليل التباين مع الحفاظ على صحة التقدير، وفتحوا كود AsyncOPD اللي يسرّع التدريب من 1.6 إلى 3.8 مرة مع الحفاظ على الدقة.

الفريق قدم benchmark جديد اسمه VG-GUIBench لحتى نقيس إذا الوكلاء القائمين على MLLM بيقدروا يتبعوا شروحات الفيديو ويكملوا مهام GUI. كمان طوّروا خوارزمية TASKER لاستخراج الإطارات المفتاحية، بتاخد بعين الاعتبار صلة الإطار بالمهمة وحركة المشهد. التجارب ورجعت إنّو TASKER حسّن الأداء على Benchmarks مثل EgoSchema وNExT‑QA بنسبة ملحوظة. الكود والبيانات متوفرة على GitHub.

الفريق قدم طريقة جديدة لتوجيه المهام بين الوكلاء بالاعتماد على اختبار قدراتهم فعلياً بدل ما يعتمدوا على أوصاف نصية أو تمثيلات ثابتة. الطريقة سموها ANTAP، بتستدعي كل وكيل لتجربة سريعة وتحوّل النتائج لمعاملات رياضية بنظام مشترك، وبعدين بتاخد قرار التوجيه عبر إسقاط جبري غير نصي. التجارب أظهرت إن هالنهج بيقلل نجاح هجمات التلاعب بالأوصاف لأقرب للصفر مقارنةً بالطرق القديمة اللي وصلوا فيها لأكثر من ٦٧٪. كمان بيقلل نسبة نجاح هجمات التضمين المتكيّفة بحوالي ٢٠٪.

الفريق قدم MultiHashFormer، إطار جديد بيسمح للنماذج اللغوية تستخدم هاش لتقليل حجم المعلمات. كل كلمة بتنولد توقيع هاش فريد عبارة عن تسلسل قصير من أرقام هاش من دوال مستقلة، وHash Encoder بيضغط هالتوقيع لصورة مخفية بتعالجها Transformer decoder. بعدين Hash Decoder بيطلع توقيع الكلمة الجاية وبنرجعه للنص. التجارب على نماذج 100M، 1B، و3B بتظهر إنه المتحكم بيتفوق على الـTransformer التقليدي وبيقدر يضيف لغات جديدة بدون ما يضيف معلمات.

الفريق قدم Flux‑GS، طريقة Gaussian Splatting بتشتغل بالوقت الحقيقي وبتقلل الحمل على الموبايلات. استعملوا Monte Carlo Specular Energy Aggregator ليجمعوا طاقة الإضاءة اللامعة ضمن مساحة مخفية صغيرة، وبهالطريقة حافظوا على تفاصيل الإضاءة حتى بأحزمة SH منخفضة. كمان أضافوا وحدة Attribute‑Conditioned SH Enhancement بتعدل تمثيل الـ SH الأول قبل الاستدلال بدون ما تزيد تكلفة. وأخيرًا، استبدلوا طريقة الكثافة الأحادية‑رؤية بآلية Multi‑view Alpha‑based Densification وPruning لتقليل عدد الـ Gaussians وتضمن التناسق بين المشاهد المتعددة.

الفريق قدم WorldEvolver، إطار نموذج عالم بيقدر يحدّث سياق الاستخدام وقت الاختبار من غير ما يغيّر وزن النموذج ولا الوكيل. بدنا نوضح إنه بيشتغل بثلاث مكوّنات: الذاكرة الوبقية (Episodic Memory) اللي بتسترجع انتقالات فعلية لتوليد محاكاة، والذاكرة الدلالية (Semantic Memory) اللي بتستخرج قواعد إرشادية من فرق التوقعات والنتائج، وميزة الفطنة الانتقائية (Selective Foresight) اللي بتفلتر التوقعات ذات الثقة القليلة قبل ما تدخل عقل الوكيل. جربوا الإطار على ALFWorld وScienceWorld، ولقوا إنه حقق أعلى دقة توقع على Word2World وأعلى نسبة نجاح للوكيل على AgentBoard مقارنةً بالبدائل.

الفريق جربوا LLM agents كوكيل اجتماعي على تجربة Prisoner's Dilemma الكبيرة اللي شارك فيها بشر. لقوا إن النموذج بيقدر يخلق ديناميكيات تعاون على المستوى الكلي زي ما بنشوف مع البشر، بس على مستوى الفرد ما بيطابق التنوع ولا قواعد القرار. حتى لما حطوا شوية وكلاء عشوائيين، تحسينوا شوي بس ما حلّوا الفجوة. النتيجة إن المخرجات الجماعية ممكن تبين بشرية حتى لو السلوك الفردي مختلف تماماً.

هالورقة بتقدّم طريقة جديدة اسمها Poller لتقييم فهم الشعر الصيني باستخدام الـLLMs. الفكرة إنه بنخلّي الـLLM يلعب دور الشاعر ويعطي تقييم من منظور الشاعر، يعني بيقرب من الحكم البشري. جرّبنا الطريقة على أكتر من نموذج LLM وعلى تمان أبعاد متخصصة، ولاحظنا إنه الخطأ بين تقييم الـLLM والبشر انخفض كثير، خصوصاً بأبعاد التقنية البلاغية وإعادة الإحساس.

الفريق قدم طريقة جديدة اسمها TACO لتقييم كل نداء أداة بيعمله الوكيل المتعدد الوسائط. الطريقة بتستعمل قناتين للميزة: الأولى بتقيس تأثير كل نداء على الإجابة عبر فرق بين النتيجة مع وبدون الأداة، والثانية بتوزع الفضل على النتيجات النهائية بس للنداءات المسؤولة. هيك بنقدر نميز بين النداءات المفيدة واللي بتضل إشي ولا بتضل مضللة، من غير ما نحتاج حكم خارجي. التجارب على مجموعات اختبار مختلفة أظهرت تحسين ثابت بالدقة وتعلم الوكيل يستدعي الأدوات بس وقت ما تساعده.

الفريق Wang وزملاؤه قدموا طريقة اسمها Epi2Diff بتستغل traces التفكير اللي بتطلع من Large Reasoning Models. هالطريقة بتحوّل أجزاء الـ trace إلى سلاسل إبيسوود (episodes) بتعكس حالات حل المشكلات، وبتستخرج منها ميزات بتقيس المجهود والانتقالات. الجمع بين هالمميزات والتمثيل الدلالي للأسئلة بيخلّي التنبؤ بصعوبة العنصر البشري أدق وأكتر قابلية للتفسير. التجارب على أربع مجموعات بيانات تعليمية، خصوصاً تصنيفات مبنية على SAT، أظهرت إنه Epi2Diff يتفوق على نماذج أصغر ومقارنات fine‑tuning التقليدية بنسبة تقريباً 8%.

الفريق اللي قدم DOPD بيقترح طريقة جديدة للتقطير على‑السياسة، يسموها advantage‑aware dual distillation. الفكرة إنه كل توكن بياخد إشراف إما من المعلم المميز أو من الطالب المميز حسب فرق الـ advantage والاحتمالات، بهالطريقة بنقلوا قدرة حقيقية وبنقلل الوهم بالامتياز. التجارب على نماذج اللغة الكبيرة ونماذج الرؤية‑اللغة بيّنت إنه DOPD بتتفوق على الـ OPD العادي وبنفس الوقت بتتحسن بالاستقرار والقدرة على التعلم المستمر ومهام خارج التوزيع.