شو في AI؟ | 7 يوليو — تقطير ذاتي وتطور الوكلاء

الفريق اللي قدّمه Lingao Xiao وزملاؤه بيقترحوا نظام اسمه ResearchStudio-Reel يدمج كل خطوات تحويل الورقة العلمية لملصق، فيديو، ومدونة ضمن عملية واحدة. النظام بيستخرج محتوى الورقة مرة وحدة وبعدين يشارك هالمحتوى مع ثلاث مولّدات تنتج كل وحدة منتج قابل للتعديل مثل PowerPoint أو Word. بعدين بيجمعهم بطبقة تفاعلية بتخلي كل جزء يشتغل مع التاني بنقرات بسيطة. التجربة على معيار Paper2Poster أظهرت إن الملصقات اللي بيطلعها النظام أحلى وأدق من الأنظمة السابقة ومعاها جودة عالية للصور والنصوص.

الفريق Dat وزملاؤه قدموا طريقة dOPSD لتقوية نماذج اللغة diffusion. الفكرة إنه النموذج بيستعمل مسار التشويش الخاص فيه كمرجع للمعلم، بدل ما يعتمد على إشارة خارجية ما بتتوفر وقت الاستنتاج. هالطريقة بتعطي إشراف كثيف على مستوى كل كلمة، وبتقوي قدرته على حل مسائل الرياضيات وتوليد الكود. التجارب على Dream وLLaDA ورجعت إنه dOPSD بتتفوق على أساليب fine‑tuning وRL التقليدية.

الفريق اللي قادوا الدراسة، Niu Lian وزملاؤه، قدموا Uni-GUI، مجموعة بيانات جديدة فيها تفاعلات GUI عالية الجودة على أكتر من منصة. بعدين طوّروا طريقة UI-MOPD اللي بتستعمل تقطير متعدد المعلمين على‑سياسة (on‑policy distillation) داخل إطار التعلم المستمر، بحيث يختار معلم خاص بالمنصة الحالية وينقل المعرفة للسياسة المشتركة. هالطريقة بتخلي الوكيل يتكيّف مع منصات جديدة من غير ما ينسى القدرات على المنصات القديمة. التجارب على OSWorld وMobileWorld ورّيت إن النجاح وصل لـ 38.2٪ على أول نظام و12.0٪ على الثاني، يعني الطريقة فعّالة بحد ذاته.

الفريق قدم Audex، نموذج لغة كبير موحّد بين الصوت والنص مبني على Nemotron‑Cascade‑2‑30B‑A3B. النموذج يستخدم محوّل Transformer واحد، يحوّل إشارات الصوت لمجال تمثيل النص، ويتعامل مع توكنات النص وتوكنات الصوت المُكمَّدة بنفس الطريقة وقت التوليد. تدربوا على مجموعة ضخمة من بيانات الصوت‑نص (157.4 B توكن صوت و320.5 B توكن نص) عبر مراحل إشرافية، وبعدها استعملوا تقنيات RL وتقطير على سياسات متعددة. النتيجة: أداء قياسي في الفهم الصوتي، التعرف على الكلام والترجمة، تحويل النص إلى كلام وتوليد أصوات، مع الحفاظ على قدرات التفكير والمعرفة للنموذج النصي الأصلي.

الورقة بتقدّم ResearchStudio‑Idea، مجموعة مهارات بتساعد الباحثين يبلّشوا فكرة البحث من الصفر بطريقة مبنية على الأدلة. فيها ثلاث مهارات مستقلة: Paper-Search للبحث عن أوراق من مصادر متعددة، Scoop-Check لتأكد من أصالة الفكرة، وIdeaSpark اللي بيوحد كل الخطوات من تجميع الأدلة لحد ما ينتج بطاقة فكرة جاهزة. الفكرة مبنية على 1,947 ورقة من مؤتمرات ICLR, ICML, NeurIPS بين 2021 و2025، وتستخرج 15 نمط فكرية قابلة لإعادة الاستخدام. التقييم الآلي بيظهر إن IdeaSpark بيطلع مقترحات أقوى من الأساسيات أو المهارات العامة.

الورقة بتسأل إذا الـLLMs عندها تقدير داخلي لطول الجواب اللي باقي يطلعوا. الفريق درّب probes خطية على hidden states لثلاث موديلات وزنها 7‑8B عبر سبع مجموعات إكمال، ولاحظوا إن الطول الكلي للاستجابة بيتفكّك خطيًا من آخر hidden state قبل ما يطلع أي توكن. كمان الـprobes المدربة على بيانات طبيعية بتنقل للأنهاع التانية من الإكمالات، وحتى على حالات فيها إلغاء وإعادة كتابة الجواب بيظهروا تقدير بيزيد وقت ما الموديل يوقف ويستأنف. النتيجة إن الـLLMs ممكن يكون عندها تمثيل مخطط للكمية المتبقية من الكلام، مش بس عدّ توكنات صعب.

الفريق الأيسلندي قيم خدمة Evrópuvefur قبل الإطلاق، وطلبوا من خبراء يجاوبوا على أسئلة المواطنين باستخدام LLM. جربوا مسارين للاسترجاع: قاعدة معرفة محلية منقّحة (RAG) وبحث ويب مفتوح، وشافوا إن البحث على الويب يجاوب على أسئلة أكتر بس كثير من المصادر كان غير موثوق أو غير ذي صلة. بالمقابل، المصادر المنقّحة كانت موثوقة أكثر لكن عدد الإجابات كان أقل، والنظام رفض يجاوب إذا ما كان عنده معلومات كافية. كمان لقوا إن القوائم الموثوقة في الـprompt ما غيرت كثير نسبة الاقتباس من هالمصادر.

فريق Lee وزملاؤه قدموا OrbitQuant، طريقة لتقليل حجم نماذج Diffusion Transformers للصور والفيديو بدون الحاجة لبيانات معايرة. الفكرة إنهم يدوّروا الأوزان والنشاطات بقاعدة مُعَدَّلة بحيث كل إحداثي يظل ثابت مهما تغير المشهد أو النص المرافق. بهالطريقة، كود‑بوك واحد من نوع Lloyd‑Max بيكفي كل الخطوات والطبقات، وما في حاجة لتعديل لكل نموذج أو وسيلة. التجربة على نماذج معروفة مثل FLUX.1 وCogVideoX أظهرت أفضل نتائج PTQ بأقل عدد من البتات مع جودة توليد مقبولة.

الفريق قدم PixWorld، نموذج واحد بيشتغل على مساحة البكسل لتوليد مشاهد ثلاثية الأبعاد وإعادة بنائها بنفس الوقت. بدل ما نستخدم تمثيلات مخفية (latent) ونحتاج VAE أو RAE، بيتم الإشراف على عملية الـ diffusion مباشرة على الصور المرسومة، وهالشي بيقلل فقدان المعلومات. كمان ضافوا خسارة إدراك هندسي بتستفيد من نموذج أساسي ثلاثي الأبعاد مدرب مسبقاً لتوجيه الفهم الهندسي. النتائج تبين إن PixWorld يتفوق على طرق الـ latent‑space بالجيل ويواكب أحدث طرق الإعادة بناء من حيث الدقة.

الفريق بقيادة Jacky Kwok وزملاؤه بيقدّموا إطار جديد اسمه LLM-as-a-Verifier بيساعدنا نتحقق من صحة الحلول بدون ما نحتاج ندرب نموذج جديد. الطريقة بتعطي تقييمات مستمرة عن طريق حساب توقعات توكنات التقييم، وبهالطريقة بنقدر نزود دقة التقييم بزيادة تفاصيل الدرجات، وتكرار الفحص، وتقسيم المعايير. جربوا الإطار على مجموعة من الـ benchmarks مثل Terminal‑Bench V2 وSWE‑Bench Verified وحققوا أرقام قياسية. كمان بيستعملوا الإطار لتقليل تكلفة اختيار أفضل حل وتقديم ملاحظات غنية للـ RL.

الفريق قدم بنشمارك جديد اسمه EvoAgentBench بيقيس كيف الوكلاء يطوّروا حالهم بنقل القدرات بين مهام مختلفة. بيستخرجوا "Abilities" من تنفيذ الوكلاء وبينظموا إياها بوحدات تشغيلية، بعدين بيعملوا Ability Graph يربط المهام اللي فيها تشابه إجرائي. الاختبار يغطي أربع مجالات: البحث على الويب، التفكير الخوارزمي، هندسة البرمجيات، والعمل المعرفي، مع تقسيم واضح للبيانات للتدريب والاختبار. النتائج بتبين إن نقل القدرات يشتغل بين عائلات النماذج، بس ما في طريقة آلية حالياً بتحقق تحسين دائم بكل الإعدادات.

الفريق قدم طريقة جديدة اسمها Hierarchical Vocabulary Routing (HeRo) لتطبيق watermarking على النصوص اللي بتطلع من الـ LLM. الفكرة إنه بيتم تقسيم المفردات لهياكل متدرجة وبيوزعوا فيها معلومات الميتاداتا، فكل verifier يقدر يقرأ الجزء اللي إلو صلاحية بس، من غير ما يضطر يفضح باقي الرسالة. الطريقة بتحافظ على عشوائية توليد النص، يعني الجودة ما بتتأثر، وكمان بتوصل دقة كشف عالية وزمن استجابة منخفض.

الفريق قدم OptiAgent، إطار عمل فيه مجموعة من الوكلاء يشتغلوا سوا لتوليد صيغة رياضية جاهزة للsolver من وصف نصّي لمشكلة بحوث العمليات. كل وكيل بيستخرج بنية المشكلة، زي المتغيّرات والقيود، وبيسمح بتصحيح ذاتي من خلال حلقات فيدباك متعددة. صممنا أربع آليات فيدباك متخصصة لتصحيح إشي من سوء الفهم أو عيوب بنيوية أو تناقضات رياضية أو أخطاء بالكود. النتيجة وصلت لأفضل أداء على 3 من 4 benchmarks للـLP، MILP، والبرمجة غير الخطية، وبنفس الوقت بيخلي العملية شفافة وممكن نراجعها.

الفريق قدم OmniOpt، وهو مسح شامل ومجموعة تجارب قياسية للمحسّنات اللي بنستعملها بتدريب النماذج الكبيرة. حطوا كل خطوة من تحديث المحسّن كتحويل منظم ضمن خط أنابيب من خمس مراحل، ولاحظوا إن أغلب الطرق بتستعمل مرحلة أو اثنتين بس. كمان استخدموا norm‑constrained linear minimization oracles (LMOs) لتوحيد طرق المحسّنات، وصمموا تصنيف ثنائي الأبعاد بيحدّد عائلة الآلية والهدف التدريبي اللي بتحسّنّه. أخيراً، سووا benchmark عبر مجالات مختلفة من نماذج اللغة لتصنيف الصور، ودرسوا كل عائلة على أهداف تدريبية متعددة لتبيّن المميزات والعيوب.

فريق Huang وزملاؤه قدموا Wan-Streamer v0.2، نسخة مطوّرة من نموذج التفاعل السمعي‑بصري اللي بتشتغل بنظام البث المباشر. النسخة الجديدة بترفع دقة الفيديو من 192×336 لـ 640×368 بدون ما تزيد زمن الاستجابة، لحد 200 ms على 25 FPS. النظام حافظ على هيكلية "المفكّر‑المؤدي": المفكّر يظل على GPU واحد للمعالجة السريعة، بينما المؤدي يشتغل على مجموعة GPU متعددة بنمط Ulysses لتوليد الفيديو عالي الدقة. البحث ظهر على Hugging Face Daily Papers وجمع 16 upvote، وهو preprint على arXiv.

الباحثين قدموا دراسة منهجية لنماذج العالم كبدائل لتقييم سياسات الروبوت، وعملوا benchmark اسمه WMBench مبني على بيانات تحكم يدوي للروبوتات ومقارنات بين سياسات حقيقية ومحاكاة. حللوا 7 نماذج فيديو، 4 طرق تمثيل للأفعال، وأكثر من 324 000 تجربة محاكاة، ولقوا إن جودة التقييم بتعتمد على استمرارية الأفعال على مدى طويل مش على الواقعية البصرية القصيرة. استنتجوا إن التدريب المسبق لازم يوازن بين معرفة العالم العامة وقدرة التحكم الخاصة بالروبوت، وإن اختيار بنية النموذج وتشفير الأفعال بيلعبوا دور كبير. بناءً على هالنتائج صمموا GigaWorld-1، نموذج عالم مخصص لتقييم السياسات، ونشروا كل الكود والبيانات لتسهيل البحث.

هالورقة بتستكشف طريقة جديدة لتقوية نموذج لغة كبير باستخدام نموذج أصغر تدرب على RLVR. الفكرة إنه بدلاً من نعيد RL على النموذج القوي، بنستفيد من إشارة التغيّر اللي تعلمها النموذج الضعيف بعد RL وننقله مباشرة للنموذج القوي عبر Direct On-Policy Distillation. الطريقة بتقارن سياسات ما قبل وما بعد RL للمعلم الضعيف وبتستعمل الفرق كـ reward ضمنّي للطالب القوي، من غير ما نحتاج نبني نموذج reward صريح ولا نعيد RL مكلف. التجارب أظهرت إنه هالطريقة رفعت أداء Qwen3-1.7B من 48.3% لـ 62.4% على اختبار AIME 2024 خلال 4 ساعات بس على 8 بطاقات A100.

يا جماعة، الباحثين Lakshani Galwatta وزملاؤه قدموا SalAngaBhava، مجموعة بيانات سِنْهالا جديدة لتحليل المشاعر على مستوى الجوانب. البيانات فيها مراجعات منتجات سِنْهالا مع تحديد المصطلحات المرتبطة بكل جانب وتصنيف المشاعر إلى إيجابي، سلبي أو محايد. تم جمعها من تعليقات المستخدمين وتعليمها باتباع إرشادات دقيقة لضمان الجودة، وتحليلهم بيّن إنها متوازنة ومهيأة لتكون benchmark لأبحاث ABSA باللغات القليلة الموارد. البحث ظهر على arXiv ضمن تصنيف cs.CL وcs.LG.

الفريق قدم DataComp‑VLM، benchmark بيخلّي الباحثين يجربوا استراتيجيات تنقية وتنسيق البيانات لتدريب نماذج الرؤية‑اللغة. جمعوا 160 مجموعة بيانات بأربع أنواع وبنوا كوربس بـ6 تريليون توكن متعدد الوسائط. التجارب بينت إن خلط البيانات، خصوصًا مزيج التعليمات، هو اللي بيوصل لأعلى جودة، وبيساعد يرفع دقة نموذج 8B لـ63.6% على مجموعة 33 مهمة. مقارنةً بـ FineVision، هالنتيجة أعلى بـ5.4 نقطة مئوية.

الفريق اقترح طريقة جديدة اسمها TREK بتستغل التلخيص مش لتقليد النموذج بس لتوسيع نطاق الاستكشاف. الطريقة بتشتغل على مرحلتين: أولاً بتحدد الأسئلة الصعبة اللي ما بيجاوبها النموذج، وبعدين تستدعي حلول موثوقة من معلم خارجي أو من نفس النموذج مع سياق إضافي، وتستخدم forward-KL لتقريب هالحلول للطالب. بعدين بيرجع التدريب العادي باستخدام GRPO. التجربة على مسائل رياضية (AIME) ومهام وكيلية (ALFWorld, ScienceWorld) أظهرت تحسين واضح بالأداء.