شو في AI؟ | 1 يوليو — إيقاف ذكي للوكيل، نموذج متعدد الوسائط

الوكيل المبني على LLM لازم يشتغل على عدة جولات، يستخدم بحث على الويب، واجهات تصفح، أو أدوات الطرفية ليحقق هدف المستخدم. بس مش كل هدف واضح أو ممكن بالبيئة المتوفرة، فهنا بيجي مفهوم Agentic Abstention، يعني متى يقرر الوكيل يوقف ويتوقف عن استدعاء الأدوات. الباحثين جربوا هالمشكلة على مهام التسوق على الويب، والبيئات الطرفية، وأسئلة وإجابات، وقيّموا 13 نظام وكيل و2 هياكل وكيل على أكثر من 28,000 مهمة، ولاحظوا إن التحدي الأكبر مش بس إن الوكيل يقدر يوقف، بل متى يوقف بالضبط. بعدين قدموا طريقة CONVOLVE لهندسة السياق، اللي حسّنت توقيت الإيقاف بشكل كبير بدون تعديل وزن النموذج، خصوصًا لـ Llama-3.3-70B.

فريق Wang وزملاؤه قدموا Orca، أول نموذج أساسي بيحاول يفهم العالم كله من إشارات بصرية ولغوية مع بعض. بدلاً ما يركزوا على توقع كلمة أو صورة أو فعل لحالو، ركّزوا على توقع الحالة الجاية للبيئة (Next-State-Prediction) ليعطوا تمثيل موحد للواقع. النموذج تعلّم من فيديوهات مستمرة (unconscious learning) ومن أوصاف لغوية للأحداث (conscious learning) باستخدام بيانات ضخمة فيها 125K ساعة فيديو و160 مليون توضيح. بعد ما تدربوا، خلو العمود الفقري ثابت واستخدموا ديكودر خفيف لكل وسيلة لتوليد نص، صورة أو حركة.

الفريق قدم Dockerless، مدقق للبرمجيات ما بيحتاج يشتغل داخل حاويات Docker أو أي بيئة جاهزة. بدل ما ينفّذ الاختبارات، بيستكشف المستودع ويجمع أدلة عشان يقرر إذا التصحيح صحيح ولا لأ. على benchmark التقييم، تفوق أقوى مدقق مفتوح المصدر بـ14.3 نقطة AUC، وبيخلّي خط أنابيب ما بعد التدريب كاملًا بدون بيئات. النتيجة إن النموذج وصل نسب حل عالية على مجموعات SWE-bench Verified، Multilingual، وPro، متقارب مع الطرق اللي بتعتمد على بيئات تشغيلية.

الفريق اقترح DOPD، طريقة جديدة بتوزّع إشارات التدريب على مستوى الكلمات بين معلم ومتعلم مميزين حسب الفارق بالميزة والاحتمالات. هالطريقة بتخفّف من مشكلة "privilege illusion" اللي بتخلّي النموذج يتوقع معلومات ما بيقدر يحصل عليها. التجارب على نماذج اللغة الكبيرة ونماذج الرؤية-اللغة أظهرت إنه DOPD يتفوّق على طرق التقطير التقليدية وبيدعم الاستقرار والقدرة على التعميم. كمان جربوا هالطريقة على مهام التعلم المستمر والبيانات الخارجة عن التوزيع، وطلعت النتائج ممتازة.

الفريق قدم إطار GR2 للترتيب النهائي بالمقترحات، بيجمع بين تدريب وسط على معرفات معنوية فريدة، وتقطير مسار التفكير من معلم أقوى عبر توجيه خاص واختيار رفض، وكمان بيستفيد من reinforcement learning مع مكافآت قابلة للتحقق. كمان ضافوا ضاغط سياق لتقليل تكلفة التدريب، وOn-Policy Distillation كبديل scalable للـ SFT، مع تقطيع التفكير لتقليل زمن الاستجابة. التجربة على حركة مرور صناعية أظهرت تحسين +18.7% على R@1 و+7.1% على R@3 و+9.6% على N@3 مقارنة بالطرق القديمة.

الورقة بتقدّم BlockPilot، آلية بتختار حجم الكتلة الأنسب لكل عينة حسب تمثيل مرحلة الـ prefilling. الفكرة إنه بدل ما نستخدم حجم ثابت لكل الإدخالات، بنعتمد على سياسة خفيفة الوزن بتتنبأ بالحجم المثالي مرة وحدة بعد الـ prefilling. الطريقة Plug‑and‑Play وما بتضيف عبء كبير، وبتحسّن السرعة بشكل ملحوظ، مثلاً على نموذج Qwen3‑4B حققت تسريع 4.20× وطول قبول 5.92.

هالبحث بيقدّم BeyondArena، أول benchmark موحد وشامل للبيانات الجدولية بيغطي سيناريوهات الـ IID، الزمنيّة، والمجمّعة، وكمان أحجام عينات وأبعاد مميزات مختلفة. كمان بنوا Data Foundry، إطار بايثون ومخطط بيانات لتجميع وتوحيد مجموعات البيانات الجدولية. التجربة على 11 نموذج و142 مجموعة بيانات بتبين إنه النماذج الأساس عم تتفوق على البيانات الصغيرة والمتوسّطة الـ IID، بس النماذج الشجرية والنماذج العميقة لساّ متفوّقة على البيانات الكبيرة، غير الـ IID، وعالية الأبعاد.

الفريق قدم طريقة جديدة لتقليل حسابات النماذج الكبيرة المتعددة الوسائط. بدلاً من حذف كل التوكنات البصرية أو تخطي طبقات كاملة، بيحددوا أيّ عمليات attention أو FFN ما إلها تأثير على الجواب وبياستغنوا عنها. هالطريقة بتخلي السلسلة البصرية كاملة، بس بتتخطى العمليات الزايدة حسب الطبقة. التجارب على ثلاث معماريات و10 benchmarks للـ VQA أظهرت إنه بيقللوا 33.7% من TFLOPs مع الحفاظ على 99.5% من الأداء الأصلي.

هالورقة بتقدّم Evolution Fine-Tuning (EFT)، طريقة جديدة بتعلّم نماذج اللغة الكبيرة تتطوّر حلول عبر مهام مختلفة عن طريق تحويل مسارات البحث التطوري لإشراف. الباحثين بنوا مجموعة بيانات اسمها Finch Collection فيها 156 ألف مسار من 10 مجالات و371 مهمة تحسين، وبعدين ضبطوا نماذج من 2B إلى 9B باراميتر. النتايج بتظهر إنّو النموذج بعد EFT بيستفيد من الخبرة السابقة وبيتحسّن بمتوسط 10.22٪ على 22 مهمة جديدة، وكمان بيطابق أو يتفوّق على أحدث الطرق في شغلات زي تجميع الدوائر ومشكلة إردوش.

الباحثين قدموا تقييم جديد للـ LLMs يختبر قدرة الوكيل على إحداث حالات إيمان معينة بغير الكلام، سماوه Non-Conversational Planning ToM (NCP-ToM). استخدموا إطار NCP-ExploreToM يخلّي النموذج يتحكم بأشياء أو يوجه شخصيات لغرف لتوصّل هدف الإيمان. قيموا ستة نماذج من ضمنها GPT-5 وGemini 2.5 Pro وClaude 4 على 600 مهمة، وGPT-5 نجح بحوالي 80% وتفوّق على البشر، بس لسه مش بنفس القوة. كمان لقوا إن كل النماذج، زي البشر، أحسن بحالات إيمان صحيحة مقارنة بحالات إيمان كاذبة، وهذا إشارة إيجابية للـ alignment.

الفريق الباحث قدم أول تقييم منهجي لأخطاء الإشارة للبيانات (DREs) اللي بتصير لما الـLLMs تتعامل مع الجداول، ولقوا إن هالأخطاء موجودة بكل النماذج من 1.7B لحد 20B باراميتر. كمان جربوا يضيفوا مكوّن "critic" يراقب الإشارة للبيانات، ولقوا إنه بيحسّن دقة الإجابات لحد 12٪ عبر الفلترة والرفض العشوائي. آخر شي درّبوا نموذج critic خفيف وزن 4B باراميتر وصل لمعدل F1 حوالي 78.2٪، وقدر يكتشف الأخطاء داخل وخارج التوزيع ويساعد النماذج الكبيرة أثناء الاستدلال.

الفريق قدم SkillComposer، نموذج بيقدر يحدّد مجموعة المهارات المناسبة وعددها وترتيب تنفيذها لمهمة معينة. النموذج بيستخدم ديكودر autoregressive مقيد لتوليد تسلسل المهارات من مكتبة مهارات موجودة، وبيتعلم من أزواج مهمة‑تركيب من مكتبة بشرية. التجربة أظهرت إنه على وكلاء برمجة مثل GPT-5.2‑Codex و Gemini‑3‑Pro‑Preview، SkillComposer رفع نسبة النجاح بأكثر من 20 نقطة مقارنةً بدون مهارات، وتفوق طرق الاسترجاع التقليدية.

الفريق بقيادة Dari Baturova استكشفوا كيف النماذج الصغيرة بتشتغل داخل نظام Retrieval-Augmented Generation (RAG). استعملوا مجموعات بيانات مفتوحة ومملوكة لتقييم الأداء عبر مواضيع وأسئلة مختلفة. لقوا إنه النظام مع النماذج الصغيرة يقدر يشتغل مباشرة على الجهاز بدون أي GPU وبوقت معقول. الكود والمواد الإضافية متوفرة على GitHub.

الفريق قدم OSWorld 2.0، benchmark فيه 108 سيناريو واقعي للكمبيوتر بيحتاجوا من الإنسان حوالي ساعة ونص وشغل معقد. كل سيناريو بيستدعي مئات نداءات لأدوات، وبيحكي عن تحديات مثل التفاعل المستمر والبيئات المتغيرة. جربوا الوكلاء المشهورين مثل Claude Opus 4.8 وGPT‑5.5، ولاحظوا إنهم ما زالوا يكمّلوا بس نسبة قليلة من المهمات. النتائج بتظهر إن الوكلاء اليوم بعدهم بعيدين عن مستوى الاحترافية المطلوبة بالواقع.

الفريق قدم QVal، بيئة اختبار ما بتحتاج تدريب لتقييم إشارات الإشراف الكثيفة على الوكلاء. الطريقة بتقيس إذا كانت الإشارات بترتب الأفعال حسب قيم Q لسياسة مرجعية قوية، فبنعرف جودة الإشارة قبل ما نبدأ التدريب. جربوا 21 طريقة عبر أربع بيئات مختلفة وعلى ست نماذج مفتوحة الوزن، ولاحظوا إن أساليب الـprompting البسيطة بتتفوق على أغلب الطرق الحديثة. النتائج ثابتة على أحجام النماذج والبيئات وأنواع الملاحظات.

الفريق قدم خوارزمية جديدة اسمها MRPO بتعتمد على مكافآت خطوة بخطوة لتقليل الأخطاء اللي بتصير بالمراحل الأولى من التفكير بالصور الطبية. إذا الجواب النهائي كان غلط، الخوارزمية بتعطي عقوبات أقوى للخطوات اللي سببت الخطأ، وبهالطريقة بتكسر سلاسل الفشل. جربوها مع ثلاث نماذج LLM متعددة الوسائط ولاحظوا تحسن واضح بالمقارنة مع طرق RL التقليدية وحتى مع نماذج أكبر حجمًا.

الفريق اللي بيقود البحث، أوغوزهان كاراهمتوغلو وهيونغ كيم، قدموا طريقة جديدة لتقسيم مسألة توصيل البضائع الكبيرة. الفكرة إنه بيستعملوا نموذج لغة كبير (LLM) كصانع قرار عالي المستوى، يقرر متى يضيف تجميع أو يوازن أو ينقّح الفروع حسب حالة المشكلة. هالطريقة بتجمع بين تقسيم الزباين والعربيات مع مراعاة السعة، وبتشتغل على مشاكل فيها لحد نص مليون زبون. التجارب على بيانات صناعية وبيانات معيارية بتبين إنه الأداء منافس وبيتحمل أحجام أكبر من اللي كانت ممكنة قبل هيك.

هالورقة قدمت MECoBench، منصة اختبار نظامية بتقيس كيف الوكلاء المتعددين يشتغلوا سوا ببيئات بصرية واقعية. جربوا عدة نماذج MLLMs وشافوا إن التعاون عادةً بيحسّن إكمال المهمات، بس الفائدة بتعتمد على توازن المكسب مع صعوبة التنسيق. كمان لقوا إن التواصل بين الوكلاء أساسي، وأحسن طريقة تعاون بتختلف حسب عدد الوكلاء وقدرة النموذج. وأخيرًا، التعاون بيقوّي المتانة ضد الضوضاء والظروف الاستكشافية الصعبة.

الباحثين Zhang وزملاؤه قدموا تحليل نظري يوضح إن التهيئة الأُرثوغونالية هي الأقرب للنتيجة اللي بتحصل مع التدريب الكامل. بناءً على هالتحليل، صمموا طريقة جديدة للتهيئة اسمها geometry‑preserving orthonormal initialization، وطلعوا بنسختين RLPO وRLMO. التجارب على مجموعات اختبار للرياضيات أظهرت إن هالطريقة بتثبت التدريب تحت RLVR وبتتفوق على LoRA التقليدي وبتقلب موازين PiSSA وMiLoRA اللي ممكن يطيقوا أداءً أسوأ. الكود والنتايج متوفرة على GitHub.

الفريق قدم Tailor-Bench، benchmark جديد بيفحص قدرة نماذج العالم البصري على تمثيل تفاعلات فيزيائية نادرة وغير معتادة. صمموا ثلاث أوضاع سيناريو: Regular للسيناريوهات الشائعة، Unconventional اللي بيبدل الأدوات بأدوات متوافقة بالخصائص لتحدي تعميم القدرة، وImpossible اللي بيضيف أدوات تخالف الخصائص لتقيس الوعي بالقيود. كمان فيه إعدادين: predictive generation لتوليد النتيجة بدون توجيه، وdescriptive generation لتوليد النتيجة المطلوبة بدقة. النتائج بتبيّن فجوة واضحة بالذيل الطويل، حيث الأداء بينخفض من Regular لتحت Unconventional وImpossible، والنماذج بتعتمد على أنماط بصرية سطحية.