شو في AI؟ | 9 يوليو — تحسين الوكيل الذكي غير متزامن

الفريق قدم نموذج RynnWorld-4D اللي بيستغل تزامن RGB، depth، وoptical flow (RGB-DF) ليعطي تمثيل 4D للمنظر. النموذج بيولد إطارات RGB مستقبلية، خرائط العمق، وتدفقات بصرية من صورة RGB-D وحدة وتعليمات نصية عبر عملية diffusion موحدة. العمارة ثلاثية الفروع بتدمج cross‑modal attention مع 3D RoPE لتضمن توافق الشكل، الهندسة، والحركة. كمان أضافوا رأس inverse‑dynamics اسمه RynnWorld-4D-Policy يطلع أفعال الروبوت مباشرة من التمثيل الداخلي، بدون خطوات denoising المتعددة.

الفريق قدم SciReasoner، نموذج أساسي متعدد الوسائط بيحوّل إحداثيات البنية والاتصالات إلى مفردات بنظام موحد، وبيستعمل هالمفردات كدليل قابل للفحص خلال عملية التنبؤ. النموذج حسّن توقع مكوّنات الخلية للبروتينات القليلة التشابه، ورفع دقة التخطيط العكسي للتركيب الكيميائي، وكمان فرّق بين المواد ذات الفجوة الطاقية العالية والمنخفضة. عبر 86 اختبار، SciReasoner وصل لأعلى مستوى بأكثر من نصف المهام، وتقييم الخبراء بيّن إن توضيحات النموذج تقريباً دايمًا بتتفوق أو بتساوي توضيحات أكبر نموذج لغة موجود.

الفريق Giannakouris و Trummer قدموا Jailbreak، طريقة بتقرا ملفات التخزين ل PostgreSQL و MySQL مباشرةً وبتحوّلها لبوفرات عمودية بالذاكرة. الفكرة إن تنسيق ملفات القواعد معقد بس الكود والوثائق متوفرة، والـLLMs بتقدر تتعلمهم وتكتب كود القارئ بدون ما نكتب أي parser يدوياً. القارئ اللي تولدوا بيشتغل مع أنظمة استعلام مشهورة مثل DuckDB و Spark و cuDF، وبيحقق سرعات أعلى بكتير من الطرق التقليدية اللي بتمر عبر JDBC/ODBC. التجارب على معيار TPC‑H بيّنت إن الأداء وصل لحد 27 مرة أسرع.

الفريق قدم طريقة جديدة اسمها Single-rollout Asynchronous Optimization (SAO) لتدريب نماذج اللغة الكبيرة على مهمات وكيلية طويلة. هيك، بدل ما يشتغلوا بنظام تجميع الدُفعات، بيستعملوا عينة وحدة لكل طلب، يعني كل rollout بيجي لحاله، وكمان ضافوا تقليم صارم على مستوى الرموز لتقوية استقرار التدريب. الطريقة صارت تثبت نفسها لحد ألف خطوة وتتفوق على GRPO على معايير مثل SWE‑Bench Verified وBeyondAIME. كمان جربوها ببيئة تعلم أون‑لاين متغيرة وشوفوا إنه بتتأقلم بسرعة.

هالورقة بتقدّم HunyuanOCR-1.5، نموذج OCR خفيف وزنّو قليل بيجمع كل شغلات تحليل المستندات من قراءة النصوص لحد ترجمتها وتعامل مع صور متعددة ضمن VLM واحد. استغلوا طريقة DFlash لتسريع فكّ الترميز، فصارت السرعة أسرع بـ6.37 مرة على الـTransformer و2.14 مرة تحت vLLM، مع الحفاظ على جودة المخرجات. كمان ضافوا Agentic Data Flow، نظام بيستغل الوكلاء لتوليد بيانات تدريب ذكية، وبيحسّن الأداء على نصوص نادرة مثل الخطوط القديمة، الجداول المعقّدة، وأسئلة على مستندات متعددة. النموذج تصنّف ضمن أعلى الترتيب على OmniDocBench v1.6 وبقوة على مهام OCR المتنوعة.

الفريق قدم DSpark، إطار لتسريع استنتاج نماذج اللغة الكبيرة عبر دمج توليد موازٍ شبه‑تلقائي مع عملية تحقق ذكيّة. النموذج يضيف وحدة تسلسل خفيفة داخل الكتلة لتقليل تدهور الجودة بين الكلمات، ويضبط طول التحقق حسب ثقة النظام وسرعة المعالج. التجارب أظهرت تحسين طول القبول مقارنةً بأحدث أساليب التوليد، وزيادة سرعة الاستجابة للمستخدمين بين 60 و85٪ بنفس مستوى الإنتاجية.

الفريق قدم SpaCellAgent، إطار عمل يعتمد على LLM ويشتغل كعدة وكلاء لتخطيط وتنفيذ تحليل الزمان المكاني للبيانات الخلوية. الوكلاء يختاروا الأدوات المناسبة بشكل تلقائي، ويولّدوا تقارير نصية من غير ما تحتاج تدخل يدوي كبير. كمان فيه وحدة self‑evolution بتقوّي الأداء من خلال ملاحظات مستمرة. التجربة على ست مجموعات بيانات أظهرت تحسين أكتر من 40٪ بالسرعة مع الحفاظ على جودة النتائج المتوافقة مع الخبراء.

الباحث ساهل كالي بيستكشف كيف الثقة بتتغيّر خلال عملية الإجابة. لقوا إنّ الثقة بعد ما يطلع الجواب (post‑solution) أضبط أكتر من الثقة قبل ما يكتب الجواب (pre‑solution). وبسوا طريقة اسمها future confidence distillation، بيعلّموا نموذج يقدر يتوقع الثقة من تمثيلات pre‑solution باستخدام إرشادات من نموذج تاني بيقيس الثقة بعد الجواب. النتيجة إنّو النموذج المتوقّع بيقرب كتير من دقة الثقة بعد الجواب، وبظل فعال على بيانات جديدة بنفس المجال.

الفريق اللي قدّم الورقة جربوا يقسّموا دور الوكيل البحثي لثلاث أدوار: التفويض، التنفيذ، وتوليد الجواب. لقوا إن توزيع السعة على دور التفويض يرفع الدقة كثير، بينما زيادة سعة دور التنفيذ ما بتأثر كثير. كمان جابوا نموذج تنفيذ صغير بـ1.7B بارامتر يشتغل تقريبًا بنفس دقة النموذج الكبير، وبياخد توكنات أقل. النتايج بتقترح إنه نركز السعة على التفويض ونصغّر دور التنفيذ من غير ما نخسر الدقة.

الفريق اللي بيقودها الباحث Athanasios Zeris قدم طريقة جديدة بتستعمل FFT لتسبق عملية تحويل الـquery‑key داخل الـTransformer. التجربة على مجموعة TinyShakespeare أظهرت إنه إضافة فلتر طيفي عشوائي أو تعلم ترددات محددة بيقلل الخطأ بشكل كبير مقارنةً بالانتباه التقليدي. الفلتر المتعدد الترددات وصل لأقل قيمة للخطأ بنسبة 79%، وهذا لأنه المعالجة الطيفية بتخلّي كل موقع يشتغل مع كل المواقع الثانية، مش بس اللي قبله. الفكرة ما بتأثر إذا استبدلنا الـQ/K بتقنيات عشوائية أو غير طيفية، يعني الفائدة من الدمج العالمي بالمجال الترددي مش من تشويه المسافة.

الفريق قدم طريقة لتوليد تسميات صناعية للسمّيات التجارية باستخدام LLMs، وعملوا benchmark كبير يضم أكتر من 12 ألف منتج من 229 نوع ب4 لغات. لتأكيد جودة هالتسميات، استخدموا إطار multi-LLM arena فيه 21 تكوين من 7 عائلات نموذجية مع 3 توجيهات لكل وحدة، والنتيجة بتحدد بالتصويت الأغلبية. التجمع هاد وصل لتطابق مع الخبراء البشريين بـ Cohen's κ=0.92، يعني جودة القواعد تقريبا نفس اللي بيعملها الإنسان، مع توافق جيد بين النماذج حسب Fleiss' κ=0.76.

فريق Gemma قدموا Gemma 4، جيل جديد من نماذج اللغة المفتوحة الوزن اللي بتدعم النص والصورة والصوت بنفس الوقت. النموذج فيه إصدارات dense وMixture-of-Experts من 2.3 بليون لحد 31 بليون بارامتر، ومعاها مشفرات رؤية وصوت محسّنة، وكمان نسخة 12 بليون بتشتغل بدون مشفر (encoder‑free) وتقدر تاخد بيانات صوتية وصورية مباشرة. ضافوا كمان وضع "thinking mode" اللي بيخلي النموذج يولّد خطوات التفكير قبل ما يجاوب، وحسّنوا السرعة والذاكرة والقدرة على التعامل مع سياق طويل. الأداء ارتفع كثير على اختبارات STEM، والوسائط المتعددة، والسياق الطويل، وتنافسوا مع نماذج أكبر بحجمها في مهام تقييم البشر.

الباحثين اكتشفوا إنه تدريب طبقة وحدة من Transformer يقدر يجيب تقريبًا نفس التحسينات اللي بنحصل عليها لما ندرب كل المعلمات مع بعضها بالـ RL. هالنتيجة جات بعد ما جربوا أكتر من نموذج من عائلات Qwen2.5 وQwen3 وبمختلف خوارزميات RL مثل GRPO وGiGPO. لقوا إنه الطبقة اللي بتعطي أعلى مساهمة غالبًا بتقع بوسط الشبكة، بينما الطبقات القريبة من البداية أو النهاية ما إلها تأثير كبير. هالدراسة بتقترح إنه ممكن نوفر وقت وموارد التدريب إذا ركزنا على الطبقة أو الطبقات القليلة هاي.

الفريق قدم MedPMC، نظام أوتوماتيكي بيحوّل الأدبيات الطبية المفتوحة لمجموعة ضخمة من أزواج الصورة‑نص. النظام عالج ٦.١ مليون مقالة وجمع حوالي ١١ مليون زوج صورة‑نص، وبنتائج التقييم أظهر أداء قوي بالمقاييس مثل F1 وROUGE-L. النموذج المدرب على هالبيانات حسّن الأداء على ٢٦ benchmark طبي ورفع الدقة في أسئلة الصور الطبية مقارنةً بطرق سابقة. كمان قدر يرفع جودة استرجاع الصور الجلدية ويقرب الفجوة بين البحث الأكاديمي والتطبيق السريري.

الفريق قدم نظام CARLA-GS لتوليد سيناريوهات خطرية للسيارات الذاتية بشكل منظم. النظام بيفصل بين تمثيل المشهد البصري، التفكير الدلالي، وتنفيذ الفيزياء، وبيستند على بيانات حقيقية من Waymo Open Dataset. بيستعمل LLM لتحديد التفاعلات الخطرة وتوليد مسارات نوايا، والـ PID controller لضمان تنفيذ الحركة بشكل واقعي داخل محاكي CARLA. النتائج بتظهر إنه النظام بيقدر يولد فيديوهات واقعية ومتسقة زمنيًا وتتماشى مع النوايا الدلالية.

فريق Yazdan Jamshidi و Alexey Shvets قدموا طريقة PALS لتقليل وزن النماذج الكبيرة مثل LLaMA-2-7B. الطريقة بتحدد نسبة الإزالة لكل طبقة حسب أعلى 99% من قيم التفعيل، وبحدود ±5% من النسبة المستهدفة، يعني ما بتقشر كل الطبقات بنفس الكمية. التجربة على LLaMA-2-7B بـ 50% تقليم جابت perplexity 10.96 على WikiText-2، أحسن بكتير من الطريقة الوحدانية Wanda اللي جابت 12.92. الفائدة بتختلف حسب الهندسة؛ LLaMA-3-8B تحسّن بسيط وMistral-7B ما فيه فرق.

الفريق بقيادة Vikas Reddy اكتشف إنه الوكلاء اللي بيستعملوا أدوات ممكن يخلوا سياسات النظام تنكسر من غير ما يبينوا الخطأ، يعني بحالة حجز طيران بيتم إلغاء الحجز أو تعديل عدد الركاب بدون ما الأداة أو الوكيل يحكوا عنها. جربوا هالظاهرة على بيئة $τ^2$‑bench للخطوط الجوية ولاحظوا إنه 78% من الفشل كان صامت وما فيه أي إشارة من الأداة. بعدين حطوا مجموعة من أربع بوابات حتمية للقراءة فقط بتتفحص الطلب الحالي والحالة قبل ما تسمح بعملية كتابة، ولقوا إنه نسبة النجاح ارتفعت من 29.6% لـ 42.0% على نموذج gpt‑4o‑mini. النتيجة أثبتت إنه هالبوابات ممكن تمنع هالنوع من الأخطاء، حتى لو ما بتضمن نجاح المهمة بالكامل.

الفريق قدم LaMem-VLA، إطار يدمج الذاكرة داخل فضاء التمثيل الضمني لنماذج Vision-Language-Action. بيشتغل بأربع مكوّنات: الـcurator اللي بيرتب الخبرات القديمة بذاكرة قصيرة وطويلة المدى، والـseeker اللي بيدور على الأدلة المناسبة، والـcondenser اللي بيحوّل الأدلة لرموز ذاكرة مضغوطة، والـweaver اللي بيلحم هالرموز مع المشهد الحالي والتعليمات. هالطريقة بتخلي الذاكرة تشارك مباشرةً بالتفكير وتوليد الأفعال، وبتظهر فاعلية أكبر على بيئات SimplerEnv وLIBERO.

الفريق قدم LingBot-Video، نموذج فيديو مبني على DiT ومعتمد على Mixture-of-Experts، بدنا يدمج الفيديو مع الفهم الفعلي للروبوتات. من ناحية البيانات، ضيفوا محرك بروفايل بيزيد الفيديوهات الإنترنتية بلقطات موجهة للروبوتات مثل التلاعب والتنقل من منظور أول. كمان صمموا نظام مكافآت متعدد الأبعاد ليضمن إن الفيديو ما بيهتم بس بالجمال أو التوافق مع النص، ولا إشي تاني، بل كمان بالمنطق الفيزيائي وإكمال المهمات. هيك التقييمات أثبتت إن النموذج بيشتغل بكفاءة أعلى وبيعطي أداء قوي كقاعدة فيديو أساسية.

الفريق اللي تحت قيادة Ying Chang قدم طريقة جديدة اسمها STRACE لتقليل الضوضاء بالمسارات التنفيذية للAgents. الطريقة بتشتغل بطريقتين: أولاً بتفلتر التجارب المتكررة وبتختار الفشل اللي بيمثلوا المشكلة، وثانياً داخل كل تجربة بتبني رسم اعتماد نصّي لتحدد الخطوة اللي فعلاً سببت الفشل. التجارب أظهرت إن STRACE رفع نسبة النجاح على اختبار VeruSAGE-Bench من 42.5% لـ58.5%، يعني تحسين واضح.