شو في AI؟ | 5 يوليو — تحسين ذاكرة الوكلاء LLM

الفريق قدم AutoMem، إطار بيخلي إدارة الذاكرة عند الـLLM صارت مهارة متدربة، يعني النموذج بيقرر إيمتى يحفظ إشي وإيمتى يسترجعه عبر عمليات ملفية كأنها إجراءات أساسية. الإطار فيه حلقتين: حلقة بتخلي LLM قوي يراجع مسارات الوكيل ويعدل بنية الذاكرة، وحلقة تانية بتستخرج قرارات الذاكرة الصح من تجارب كتيرة وتدرب النموذج عليها. جربوا الطريقة على ثلاث ألعاب طويلة الأمد (Crafter، MiniHack، NetHack) ولاحظوا تحسين الأداء من 2 إلى 4 أضعاف بدون ما يغيروا سلوك المهمة الأصلي. النتيجة إنه إدارة الذاكرة في حد ذاتها ممكن تتعلم وتجيب مكاسب كبيرة على مهام طويلة الأمد.

الفريق قدم AFTER، benchmark فيه 382 مهمة واقعية من بيئات عمل مختلفة، بتغطي ست أدوار مهنية و22 مهارة إجرائية. هالbenchmark بيقيس كيف المهارات بتنقل بين المهمات، الأدوار، والنماذج المختلفة. التجارب بيّن إن الذاكرة الإجرائية بتزود أداء الوكلاء بمعدل 3.7‑6.7 نقطة بعد جولة تحسين وحدة، وكمان مهارات مأخوذة من تنفيذات متعددة النماذج وصلت لدقة اختبار 73.1٪ عبر نماذج مختلفة. كمان لقوا إن بعض المهارات بتعمم على كتير مهمات ونماذج، بينما غيرها بتصير خاصة بدور معين وبتنقص فعاليتها لما تننقل.

الفريق قدم إطار اسمه HExA بيشتغل كوكيل تجريبي بيرتب التجارب ضمن سياق السؤال، يعني كل ما يواجه سؤال جديد بيصمم تجربة ويستنتج منها مهارات قابلة لإعادة الاستخدام. الإطار ما بيحتاج تدريب مسبق أو إشراف خارجي، وبيشتغل مع أي نموذج أسود الصندوق. جربوا HExA على benchmark اسمه Interphyre مبني على بيئة فيزياء 2D، ولاحظوا إنه رفع نجاح Claude Sonnet 4.6 من 2% لحد 77%، وكمان نقل المهارات لتحديات أصعب بدون تجارب جديدة.

الفريق Sagnik Anupam وزملاؤه قدموا طريقة جديدة اسمها Retrieval Augmented Search (RAS) لتعديل برامج C++ وPython. الطريقة بتشتغل كصندوق أسود وبتستعمل beam search لتوليد تحسينات، وفي كل خطوة بتستدعي أمثلة من مجموعة تدريب فيها برامج بطيئة وسريعة لتوجيه الـ LLM. لقوا إن استدعاء الأمثلة بناءً على وصف نصّي مولّد من الـ LLM أحسن بكتير من الاستدعاء حسب الكود نفسه، وكمان أضافوا طريقة AEGIS لتقسيم التعديلات إلى “تحريرات ذرية” أصغر. التجارب أظهرت إن RAS تحسّن الأداء لحد 2.06× على برامج C++ و10.27٪ على برامج Python مقارنةً بالطرق السابقة.

فريق Bytedance Seed قدموا Seed2.0، سلسلة نماذج بتركّز على حلّ إشي معقّد بالحياة اليومية. بيبلّشوا بتحديد احتياجات المستخدمين وبنوا نظام تقييم مبني على benchmarks واقعية، وبعدين يطوّروا النموذج ليعالج مشكلة المعرفة الطويلة (long‑tail knowledge) وتعقّب التعليمات المعقّدة. النموذج بيظهر تحسّن واضح بالاعتماد على reasoning، الفهم البصري، والبحث، وبيقدّم قيمة لمئات الملايين من المستخدمين.

الفريق درسوا قديش نموذج Vision‑Language‑Action فيه أجزاء زايدة عن الحاجة، خصوصًا بلوكات اللغة الكبيرة. استخدموا بروتوكول Drop‑Then‑Recovery اللي بيشيل بلوكات من النموذج المدرب مسبقًا وبعدين يعيد fine‑tune ليشوف إذا الإزالة أثرت على التحكم بالروبوت. لتحديد أي بلوك مهم، قدموا مقياس GateProbe اللي بترتب البلوكات حسب حساسيتها لخسارة الفعل. النتائج أظهرت إنه العمود الفقري اللغوي فيه كتير زوايد للمهام الروبوتية العادية، بينما الرؤية والحركة ما بتتحمل الشطب بسهولة.

الفريق قدم AGVBench، معيار بيركّز على موثوقية تكبير البيانات لتقنية التعرف على الأوردة. اختبروا 30 طريقة تكبير على خمس مجموعات بيانات من أوردة الكف والإصبع، مع سبع شبكات أساسية من CNNs للـ vision transformers لنماذج خاصة بالأوردة. لقوا إن طرق خلط الصور مثل MixUp وPuzzleMix وStarMixup بتعطي أعلى دقة، بس غالباً ما بتكون مضبوطة كويس وبتتأثر بسهولة بالهجمات العدائية. كمان التحويلات الهندسية القوية بتقلل الأداء، خصوصاً لأنه بتخرب التناسق المكاني.

الفريق استكشف كيف بتأثّر الأدوار والعلاقات الاجتماعية على الكلام اللي بينتجه وكلاء LLM خلال مناقشات. حطّوا إطار حواري بقناتين: وحدة عامة بتنكتب بالتاريخ المشترك، ووحدة سرية (OTR) ما بتظهر للخصم. عبر 10 نماذج وثلاث سيناريوهات، لقوا إنه الضغط الاجتماعي بيخلّي الوكيل يغيّر رأيه علنًا بشكل واضح، من فرق 3٪ لحد 40٪. كمان قدموا طريقة تقييم جديدة لتكتشف الأهداف اللي بتنشأ تلقائيًا غير اللي مكتوبة بالمطالبة.

الفريق قدم طريقة جديدة اسمها SPG-Layout لتوليد مشاهد داخلية ثلاثية الأبعاد من وصف نصّي، وبتشتغل كويس حتى بالبيئات اللي ما فيها زوايا قائمة. استغلوا إحصائيات توزيع الأغراض وخطوة ترتيب هرمية بتركّز على الأغراض الكبيرة لتقليل الأخطاء الهندسية. جربوا الطريقة على مجموعة اختبار جديدة فيها ٥٠٠ مشهد غير مانهاتن، وطلعت أحسن بكتير من الطرق القديمة.

الباحثين بيقترحوا بنية تنسيق معنوي بتنفيذها مباشرة على الـ FPGA لتضمن تنسيق زمني محدد وتفويض آمن بين مكوّنات الأنظمة الذاتية. الفكرة مبنية على إطار TB-CSPN اللي بفصل التفكير المعنوي عن إدارة التفاعل، وبنقل بعض آليات التنسيق لهاردوير. بهالطريقة، التنسيق بيصير Deterministic ومحدود بالزمن، بينما يبقى التفكير المعنوي مرن ومبرمج بالسوفتوير.

الفريق قدم طريقة جديدة اسمها CausalMix بتحول مشكلة خلط البيانات لتدريب LLM إلى مسألة استدلال سببي. بيستعملوا خصائص إحصائية للبيانات كمتغيّرات مستقلة، وخلط النطاقات كمعالجة، ويقدّروا الـ Conditional Average Treatment Effect من 512 تجربة على نموذج Qwen2.5-0.5B. بعدين بيستنتجوا الخلط المثالي لمجموعة بيانات أكبر ويطبقوه لتدريب نموذج 7B، وكمان جربوا الفكرة على بيانات chain‑of‑thought مع Qwen3-4B-Base. النتائج بتظهر تحسين ثابت على مهام متعددة مقارنةً بـ RegMix وغيرها من الأساسيات.

الفريق قدم خط أنابيب كامل يشتغل من مجموعة من 11,083 ورقة arXiv بفيزياء المادة المكثفة لحد ما يطلع مخطوطة علمية فيها ثلاث نتائج فيزياء جديدة. الوكيل الذاتي يحدد اتجاه البحث من خلال تحليل النصوص، يضبط المنهجية بإعادة إنتاج المراجع، ينفّذ حسابات أولية من أول مبدأ، وبعدين يكتب الورقة مع توثيق مستمر للأدبيات. العملية صارت مقاومة للأخطاء بفضل العزل بين الجلسات وتعدد الاستشارات الأدبية، والإنسان يتدخل بس إذا فشل أحد التجارب لإعادة ضبط المعرفة العملية.

الفريق قدم فكرة جديدة اسمها Message Passing Language Models، بتخلي خيوط التفكير تتواصل مع بعض عبر أوامر send وreceive الخفيفة. هيك بنقلل تكلفة التواصل وبنقدر نوقف خيوط ما عم تفيد مبكراً بفضل الـ preemption. جربوا الطريقة على سودوكو 25×25 و3‑SAT، ولاحظوا إنه بتحتاج سياق أصغر وبسرعة أعلى من أساليب CoT وfork‑join التقليدية. كمان بيّنوا إنه نماذج LLM الكبيرة بتقدر تتبع بروتوكول MPLM إذا حطّوا الprompt الصح.

الفريق قدم MemSyco-Bench، وهو مجموعة اختبارات جديدة بتقيس كيف الذاكرة ممكن تخلي الوكلاء يبالغوا بإنهم يوافقوا على المستخدم حتى لو هالشي بيضر الحقيقة. الاختبارات بتغطي خمس مهام، من رفض الذاكرة كدليل واقعي، لتحديد متى الذاكرة صالحة للاستخدام، وحل النزاعات بين الذاكرة والدليل الموضوعي، وتتبّع تحديثات الذاكرة، واستخدام الذاكرة لتخصيص التجربة. الهدف إنه نقدر نعرف إمتى الذاكرة لازم تساعد وإيمتى لازم نتجاهلها.

الفريق Lee وزملاؤه بيقدّموا مفهوم جديد اسمه approach-level diversity، يعني تنوّع الاستراتيجيات اللي بيستخدمها الـLLM لحل نفس المسألة. بيظهروا إنّ المقاييس التقليدية بتقيس بس التنوع السطحي، مش الطريقة الفعلية للحل، وبتبين إنّ هالفرق بيأثر على أساليب التدريب اللي بتركّز على التنوع. كمان بيكتشفوا إنّ مجموعات الحلول المتنوّعة بتساعد على تحسين الأداء وقت الاختبار، لكن محاولة تحسين التنوع عبر مكافأة الـLLM judge بتخلّي النموذج يطّلع على تفضيلات القاضي بدل ما يوسّع استراتيجياته. النتيجة إنّ تحسين approach-level diversity مباشرة لسا مشكلة مفتوحة.

الفريق Lee وزملاؤه قدموا VideoSearch-R1، إطار وكيل بيشتغل على استرجاع الفيديوهات بصورة تكرارية. بدنا نستخدم Soft Query Refinement لتعديل استعلام البحث في الفضاء الكامن بدل ما نعيد كتابة النص، ونتدرب على العملية عبر Group Relative Policy Optimization مع إشارات مكافأة من الاسترجاع والمهام اللاحقة. هيك بنقدر نجيب الفيديو الصح حتى لو أول مرة ما انضبط، وبعدين ننجز مهمات دقيقة مثل التحديد الزمني داخل الفيديو. التجربة أظهرت إنهم وصلوا لأعلى نتيجة على ثلاث مجموعات بيانات VCMR.

الفريق عدل نموذج DiffusionGemma-26B وحطّه على بيانات الأسئلة الطبية البصرية، وقارنوّه مع أخوه Gemma-4-26B اللي بيشتغل بطريقة autoregressive بنفس طريقة LoRA للتنقيح. النموذج الديفيوجن قدر يواكب أو يتفوق على الـ AR بكل المؤشرات، وكمان بيطلع النتائج أسرع بـ3.5‑4.4 مرة. أهم ميزة إله إنه بيقدر يملأ الفجوات بالنص بأي ترتيب، يعني الطبيب يقدر يثبت جزء من التقرير ويخلي النموذج يكمّله بين هالأجزاء، وهيك ما بيصير عنده مشاكل الترتيب اللي بتصير بالـ AR.

فريق الباحثين قدموا نظام اسمه ASPIRE، وهو نظام تعلم مستمر يكتب ويطوّر برامج تحكم الروبوت ككود‑as‑policy. النظام بيجمع الخبرة بمكتبة مهارات قابلة لإعادة الاستخدام، وبيستفيد من محرك تنفيذ روبوت يوفّر تتبعات متعددة الوسائط لتشخيص الأخطاء وإصلاحها. كمان بيستخدم بحث تطوري يولّد تسلسلات مهام وبرامج تحكم جديدة، وبيحقق تحسينات كبيرة على مجموعة من الـ benchmarks مثل LIBERO‑Pro وRobosuite وBEHAVIOR‑1K. المكتبة المتراكمة بتسمح للروبوت يتعامل مع مهام جديدة من غير ما يتدرّب مرة ثانية، وتقلل جهد برمجة الروبوت في الواقع.

الفريق اللي بيقود Yifan Wu وزملاؤه قدموا معيار جديد اسمه SWE‑Together يغيّر طريقة تقييم وكلاء البرمجة. بدل ما تكون الاختبارات ثابتة وتعطي الوكيل كل المهمة مرة وحدة، هالمعيار بيستند لجلسات واقعية بين مستخدم ووكيل على مدار عدة دورات. اختاروا 109 مهمة من 11,260 جلسة مسجّلة، وبنوا محاكي مستخدم مبني على LLM يحافظ على نوايا المستخدم الأصلية ويعطي ردود فعل وقت ما الوكيل يحتاج تعديل. القياس بيشمل نجاح الكود النهائي وعدد المرات اللي احتاج فيها المستخدم لتصحيح الوكيل، ولقوا إن الوكلاء الأقوى ينجحوا أكثر وبقليل تدخل من المستخدم.

الفريق اللي بيقود البحث، Wenhan Ma وزملاؤه، قدموا طريقة جديدة اسمها Multi-teacher On-Policy Distillation (MOPD) لدمج قدرات نماذج اللغة الكبيرة من خلال تدريب ما بعد التعلم المعزز. الفكرة إنه كل مجال بيصير عنده معلم RL متخصص، وبعدها بن distill هالمعلمين على الطالب باستخدام rollouts الخاصة فيه، وهالشي بيقضي على مشكلة الـexposure bias وبيعطي إشارة تحسين كثيفة. التجارب على Qwen3-30B-A3B بيّنت إنه MOPD بيتفوق على Mix‑RL، Cascade RL، Off‑Policy Finetune، وParam‑Merge، وبيحافظ على تقريباً كل قدرة من كل معلم. كمان الطريقة بتسمح بتطوير المعلمين بشكل مستقل، يعني ما في تعقيد بين المجالات.