شو في AI؟ | 10 يوليو — وكلاء ذكيين وتقييم شامل

فريق الباحثين قدموا Vidu S1، نموذج يولّد فيديوهات تفاعلية بالوقت الحقيقي وبيسمح للمستخدم يتحكم بالمحتوى عبر أوامر صوتية. النموذج بيشتغل على بطاقات رسومية عادية وبيوصل ل540p بسرعة توصل لـ42 إطار بالثانية بدون ما يطيح جودة الصورة. كمان بيسمح بتحميل صور مخصصة لأشخاص حقيقيين أو أنيمي أو حيوانات أليفة، وتغيير نبرة الصوت لتجربة شخصية أكتر. التجارب أثبتت إن Vidu S1 بيحقق أحسن أداء على كل المقاييس المطلوبة للوقت الحقيقي، وفيه نسخة تجريبية على الإنترنت.

هالورقة بتقدّم طريقة جديدة لتقليل حجم وزن نماذج اللغة الكبيرة لأقل من 2 بت لكل وزن، من غير ما نحتاج جداول ترميز صريحة. الفكرة إنه بنحط قطع الوزن على سطح وحدة كروي وبنحوّلها لإشارات ثنائية، وبعدها بنضيف مرحلة residual لتصحيح الأخطاء. كمان بيستخدموا استعادة مخصّصة لكل فئة من مكوّنات Transformer لتقليل الفجوة بين الوزن المعاد بناؤه وسلوك النموذج كامل. كل هالشي بيضم كمان قناتين 8‑بت لحماية القنوات الحساسة وLoRA adapters للضبط السريع.

فريق Tang وزملاؤه قدموا طريقة Jet-Long اللي ما بتحتاج تدريب إضافي ولا تعديل على النموذج. الفكرة إنه بيستخدموا نافذة RoPE صغيرة للمدخلات القصيرة ونافذة ثانية للمدخلات الطويلة، والـ rescaling factor فيها بيتغيّر حسب طول السلسلة. هالدمج بين النافذتين بيتم بعملية attention merge وتصحيح RoPE على الطاير، فبيصير الأداء شبه مجاني وقت الاستدلال. التجارب على موديلات Qwen3 وصلت لسياق 128K وحققت أحسن نتيجة على benchmark HELMET-RAG مقارنةً بأقوى الطرق الموجودة.

الفريق لاحظ إنه كتير من Benchmarks لفهم الفيديو ممكن تنحل من غير ما الواحد يشوف الفيديو أو ياخد باله من التوقيت، فعملوا مجموعة تشخيصية اسمها Video-Oasis لتدقق هالمقاييس. بعد ما فحصوا 55% من العينات ولقوا إنه فيها اختصارات، استبعدوها وطلعوا التحديات اللي بتحتاج فهم بصري وزمني حقيقي، وللأسف النماذج الحالية بتشتغل بس شوي فوق التخمين العشوائي. كمان استغلوا هالمجموعة لتقارن بين تصاميم الخوارزميات وتشوف أيّها بيدعم فهم الفيديو بشكل أقوى.

الفريق اللي قدم الورقة طوّر طريقة اسمها Single-rollout Asynchronous Optimization أو SAO لتدريب نماذج اللغة الكبيرة على مهام وكيلية طويلة المدى. بدل ما يستخدموا طريقة جمع عينات جماعية، بيستعملوا عينة وحدة لكل طلب، وبيضيفوا تصحيح على مستوى الرموز لتقليل الأخطاء. هالطريقة خلت التدريب يظل ثابت لألف خطوة وتفوقت على أساليب GRPO على معايير مثل SWE‑Bench Verified وBeyondAIME. كمان جربوها ببيئة تعلم أون‑لاين متغيرة وقدروا يطبّقوها على نموذج GLM‑5.2 الضخم.

الفريق قدم UniClawBench، معيار أول بتركّز على قدرات الوكلاء مثل استعمال المهارات، الاستكشاف، الفهم المتعدد الوسائط، التفكير بسياق طويل وتنسيق بين المنصات، مع ٤٠٠ مهمة ثنائية اللغة من واقع الحياة. التقييم بيصير داخل حاويات Docker وبخطوات دقيقة، وبنظام حلقة مغلقة فيه وكيل تنفيذ، وكيل مشرف مخفي، وكيل مستخدم، ليحاكي تفاعل بشري متعدد الأدوار بدون ما يفضح معايير التقييم.

الفريق بقيادة Yifan Zhou قدموا IG-Bench، بنشمارك جديد بيركّز على كيف الأفكار العلمية بتنتقل وتتحوّر من ورق لورق، زي الجينات. كل ورقة أو اقتراح بنمثّله بمجموعة من كائنات Idea Genome الموثّقة، وGenomeDiff بيطابق هالكائنات لتسجّل الوراثة، الطّفرات، والإضافات الجديدة. البنشمارك فيه 1,961 تتبّع سلالة، وبيقدّم اختبار IG-Exam لتقييم الفهم السّطري وIG-Arena لتقييم قدرة النماذج على توليد اقتراحات جديدة ضمن السلالة. التجارب على 14 نموذج LLM أظهرت إن أقوى نظام وصل بس 27.3% دقة، يعني لسا في فجوة كبيرة.

الفريق اللي قدم هالورقة حكى إنه الـLLMs صارت تتصرف كوكيلات علم بيانات، يعني بتجمع بين التفكير السببي واستخدام الأدوات. لحد هلا ما في بنشمارك بيلم كل هالعناصر، فهنن عملوا CausalDS، كل مشهد فيه نموذج سببي هيكلي (SCM) مع بيانات مراقبة وقصة نصية طبيعية. من هالمشهد بيطلعوا مهام على ثلاث مستويات لبيرل، وفي أغلبها بيحتاجوا يكتبوا كود ويستعملوا أدوات لأن الملاحظات ممكن تكون غير كاملة. كمان بيقيموا قدرة النموذج على الاعتراف إنه السؤال ما إلو إجابة واضحة والامتناع عن الرد.

الفريق بقيادة Baha Rababah بيظهر إنه قياس الدقة والـ perplexity ما بيكفي لتقييم LLMs بعد الكمّية. قدموا مقياس جديد اسمه correctness agreement بيقيس قديش التوقعات الصحّية بتتطابق بين النموذج الأصلي والنماذج المضغوطة، بغضّ النظر عن الدقة الكلية. التجارب على نماذج مختلفة وكمّيات من 8‑bit لحد 2‑bit بتبين إنه الاختلاف السلوكي بيظهر حتى لو الأداء الظاهري باين ثابت. كمان فحصوا تأثير الكمّية على وزن الـ attention ولقوا إنه طبقات الـ query وkey حسّاسة أكتر من الـ value وoutput.

الفريق قدم WebSwarm، إطار بيستعمل وكلاء بحث ذكيين يشتغلوا بشكل متسلسل وبيستدعي بعض. كل وكيل عنده هدف محلي ويقدر يقرر يحلّه لحاله أو يخلق وكلاء فرعيين لتوسيع البحث، وبعد ما يخلص بيرجع الأدلة والنتايج للأعلى. النظام بيستغل خبرة البحث بين الوكلاء المتشابهين وبيدرس كيف المعلومات مرتبة على الويب عشان يضبط توسعة العقد. التجارب على مجموعات بيانات BrowseComp-Plus، WideSearch، DeepWideSearch، وGISA بيّنت إنه WebSwarm بيتفوق على الأنظمة الأحادية والمتعددة الوكلاء التقليدية.

الفريق قدم LongE2V، طريقة جديدة بتستفيد من نماذج diffusion المدربة مسبقاً على الفيديو لتعيد بناء الفيديو من إشارات الأحداث، وتوقع المشاهد الجاية، وتملأ الإطارات الفارغة. من خلال fine‑tuning لنموذج فيديو أساسي، بيحققوا كفاءة عالية بالبيانات وجودة بصرية ممتازة. استعملوا تقنيات Autoregressive Unrolling وAdaptive Context Switching لتقليل الانجراف الزمني بسلاسل طويلة، وكمان Reencoding Alignment مع Cross Residual Correction لضمان توافق دقيق أثناء ملء الإطارات. كمان ضيفوا Event Voxel Density Augmentation لتقوية النموذج على حساسات بدقة مختلفة، وطلعوا بأداء أحسن من الطرق الحالية على ثلاث مهمات.

فريق Cabannes وزملاؤه بدنا يقدّموا Sparse Delta Memory (SDM)، إشي بيخلّي الذاكرة المخفية للـ gated linear RNNs تكبر أضعاف وهيك ما بتزيد FLOPs كتير. الفكرة إنه بيستبدلوا الضرب الكثيف للمفاتيح والقيم بقراءات وكتابات متناثرة على ذاكرة صريحة كبيرة. تحت نفس عدد الفلوبس وعدد المعاملات، الزيادة الكبيرة بسعة الذاكرة بتصير تحسين ملحوظ بمهام التعلم داخل السياق واسترجاع النصوص الطويلة. كمان لما يتعلموا حالة الذاكرة الأولية، النموذج بيصير ذاكرة بارامترية وبيحسّن كمان على مهام المعرفة العامة والتفكير.

الفريق اللي عمل AMALIA، نموذج ب٩ مليار باراميتر للبرتغالية الأوروبية، بيظهر إنه يقدر يطابق المُصنّفين البشر على أساس الفونداشن الأخلاقي للسلطة بفارق حوالى ست نقاط F1. بس هالنتيجة بتقيس بس الاتفاق، مش صحة الفكرة. الباحثين جربوا يكسّروا السؤال لحلقات أصغر ويعيدوا يجمعوا النتيجة حسب القاعدة النظرية، ولاحظوا إن الأداء بيقل للنصّ نصّ الأداء الشامل، يعني النموذج بيعتمد على إشارات سطحية مثل الغضب الأخلاقي. نموذج LLM متعدد اللغات قدر يسدّ الفجوة، فهالشي بيدلّ إن المشكلة مش بالنصّ بل بالموديل نفسه.

الفريق Elozeiri وزملاؤه استكشفوا كيف ممكن نتحكم باللهجات العربية وقت ما بنستعمل نموذج لغة كبير (LLM) بدون ما نعيد تدريبه. أول شي، عملوا تحليل على مستوى الخلايا العصبية (neurons) ولاقوا مجموعة نادرة من الخلايا اللي بتمثّل خصائص اللهجة، ولما زادوا أو قللوا نشاطها قدروا يغيّروا النتيجة لتصير أقرب للهجة المطلوبة. بعدين جربوا طريقة تانية اسمها vector‑steering، بيستخرجوا اتجاهات تنشيط خاصة باللهجة وبيدخلوها خلال الاستنتاج. النتيجتين مع بعض بيوضحوا شكل المعرفة اللهجية داخل النموذج وبيعطوا طريقة مبدئية للتحكم فيها بدون ما نحتاج fine‑tuning.

الفريق قدم UltraX، إطار بيستعمل function‑calling ليتحكم بتحسين بيانات التدريب على مستوى كبير. بيضيف عملية الإدراج غير الحذف والتعديل، وبيستغل pipeline لتوليد إشراف برمجي من خلال adaptive prompt optimization، وبعدين بيحول النصوص المعدلة لبرامج منظمة عبر Line Alignment Mapping وDynamic Context Replacement. كمان UltraX بيقفل الأمثلة اللي ما فيها ثقة عالية وبيختار النسب عبر ratio‑controlled sampling، وبالاستدلال بيستعمل sliding‑window prediction وتجمع عمليات عالمية لتقوي الاستقرار. التجارب أظهرت إن UltraX بيحقق أعلى أداء بكمية توكنات أقل، يعني جودة أعلى بجهد أقل.

الفريق قدم HCC-STAR، نموذج لغة كبير بيقرا نصوص السجلات الطبية الإلكترونية وبيطلع تصنيف خطر مبني على نقاط، وعلاجات مرتبة حسب دليل العلاج مع تبريرات مبنية على الأدلة، وتقديرات بقاء شخصية. استعملوا حوالي 30,000 حالة من قاعدة SEER وحوّلوها لسرد طبي إلكتروني عبر طريقة تعزيز بالـ prompt مع توثيق من أطباء. في اختبار على 6,668 مريض من 12 مستشفى صيني، HCC-STAR تفوق الإرشادات السريرية والنماذج التنافسية مثل GPT‑5 وGemini‑2.5 Pro، وبيّن إن الالتزام بتوصياته ممكن يرفع متوسط البقاء لعمر 51 شهر مقارنةً بـ 29 و32 شهر حسب BCLC وCNLC.

الفريق قدم DocMaster، نظام بيحلل الوثائق الكبيرة مثل الأوراق العلمية والكتيبات التقنية بطريقة هيكلية. النظام بيحوّل كل مستند لشجرة وثائقية بتحافظ على الأقسام والجداول والرسومات، وببني فهرس معنوي واعي للهيكل بيسمح بفلترة الوثائق بدقة وبالأسئلة المتعمقة. الواجهة التفاعلية بتخلّي المستخدم يرفع مجموعة مستندات، يحدد شروط طبيعية لتصفية الإشي المطلوب، وبعدين يطرح أسئلة على النتائج المختارة. كل هالشي بيستفيد من large language models لتوليد الإجابات.

الفريق قدم SciReasoner، نموذج أساسي متعدد الوسائط يقدر يفهم الهياكل الطبيعية للبروتينات، الجزيئات الصغيرة، والبلورات. النموذج يحوّل الإحداثيات والاتصالات إلى مفردات هيكلية، ويستعملها كدليل خلال عملية الاستدلال. على مجموعة من الـ 86 benchmark، SciReasoner وصل لأفضل أداء على 67 مهمة، وزاد دقة توقعات الـ Gene Ontology من 0.42 إلى 0.55، ودقة الريتروسينثسيس من 0.63 إلى 0.72. التقييمات البشرية أظهرت إن تتبعات استدلاله مفضلة أو على الأقل مساوية لتتبعات نموذج لغوي كبير في 98٪ من الحالات.

الفريق اللي هو إمانويل كوينتو وكارلو أندريا روزي وفراسزانيتي قدموا نموذج جديد يخلّي الـ workflows اللي بتستعمل الـ LLM تكون أشياء ثابتة ومخزّنة كمعرفة مشتركة. النموذج بيركّز على فرق بين "derive" اللي هو حساب deterministic و"infer" اللي هو حكم الـ LLM تحت سياق محدد وسياسة قدرة. بهالطريقة، تعريفات الـ workflow، سجلات الاستدلال، ولقطات السياق بيصيروا كائنات معرفة ممكن نرجع لها، نعيد تشغيلها أو نراجعها. البحث لسه أوليّ، بس بيوضح كيف ممكن نحول الـ workflows من مجرد خطوات لتوثيق معرفي ثابت.

الفريق اكتشف إنه في أوزان اسمها Super Weights، إذا شلناها النموذج بينزل كتير. بس لما جرّبوا يدربوا هالأوزان لحالها، النموذج بيصير ما بيعرف يجاوب غير عشوائي. بالمقابل، طريقة LoRA اللي بتعدّل وزن الانتباه بنظام منخفض الرتبة بتشتغل كويس حتى مع نسبة ضئيلة من البارامترات. النتيجة إنه ما فينا نركز على وزن واحد مهم ونفصل تدريبه، ولازم نستخدم تقنيات بنية كاملة للطبقة.