شو في AI؟ | 11 يوليو — 20 ابتكار AI

الفريق قدم طريقة جديدة لتقليل الاختصارات اللي بتستغل وجود الشيء لتحديد الفعل، بدل ما يعتمدوا على الإشارة الزمنية للحركة. حطوا تشخيصات بتقيس هالاختصارات ولاحظوا إن النماذج الحالية بتتدرب على أنماط التوافر بين الفعل والشيء وبتتغافل عن إشارات الفعل. الحل اللي اقترحوه اسمه RCORE، فيه جزئين: تنظيم أول بيساعد النموذج يتعلم تركيبات ما شافها قبل ويعامل الأنماط الشائعة كعينات سلبية، والجزء الثاني بيركّز على حساسية الترتيب الزمني ليتعلم تمثيلات فعلية مدعومة بالوقت. التجارب على مجموعات Sth-com و EK100-com بيّنت إن الطريقة بتقلل الاختصارات وبتحسّن التعميم على تركيبات جديدة.

الفريق قدم CineMobile لتوليد فيديوهات سينمائية من صورة مباشرة على الأجهزة المحمولة. استخدموا ثلاث استراتيجيات: أولاً تقليم موجه بالـdistillation لتصغير حجم النموذج، ثانياً تحويل النموذج المضغوط لمولد بأربع خطوات عبر دمج diffusion distillation مع الـreinforcement learning، وثالثاً تقنية hybrid post‑training quantization لتقليل حجم الذاكرة لأقل من 1 GB. النتائج أظهرت تسريع 40× مقارنةً بالنموذج الأصلي مع جودة بصرية مقاربة، وتوليد فيديو 49‑فريم بدقة 480p بوقت خطوة 0.6 ثانية على GPU و20 ثانية على معالج موبايل MediaTek Dimensity 8400 Ultimate.

فريق Chen وزملاؤه قدموا UniClawBench، أول معيار بيركّز على قدرات الوكلاء النشطين بخمس مهارات أساسية: Skill Usage، Exploration، Long-Context Reasoning، Multimodal Understanding، وCross-Platform Coordination. صمموا 400 مهمة ثنائية اللغة من واقع الحياة، وبيقييموا الوكلاء داخل حاويات Docker مباشرةً بخطوات تفصيلية. كمان حطّوا نظام تقييم حلقي فيه وكيل منفّذ، وكيل مشرف مخفي، وكيل مستخدم لتقليد ردود فعل بشرية متعددة الجولات بدون ما ينعرف معيار التقييم. النتائج بتفرجي كيف قدرات النموذج الأساسي وتصميم إطار الوكيل بيتفاعلوا سوا لتحدد الأداء.

الفريق قدم Canvas360، إطار من مرحلتين لتوليد بانوراما داخل السياق. بيجمع بين pretraining واعٍ للجيومتري و fine‑tuning مخصوص للمهام، وبنوا Canvas360Dataset فيه مليون عينة بانورامية عالية الجودة لتطبيقات نقل الأسلوب، الاستكمال، التوسيع، والتعديل. على مستوى النموذج، Canvas360 بيحسّن توليد النص‑إلى‑بانوراما عبر توليد عمق موازٍ، velocity circular padding، وregularization بخسارة التشابه، لتعلم تمثيلات جيو‑مترية وتفاصيل التشوه. كمان بيوفر إطار موحد يدعم مهام متعددة عن طريق concatenation على مستوى التوكن، ويتفوّق على الطرق السابقة خاصةً على مقياس FAED.

الفريق Sun وزملاؤه بيّنوا إنه سياسات الكاش القديمة زي LRU وLFU ما بتشتغل كويس مع مخازن التجارب اللي بتعتمد على التشابه الدلالي. اقترحوا SOLAR، إطار تعلمي بيحدّد وقت التعديل بناءً على تراكم الندم (regret) وبياخد قرارات الإزالة عبر تعلم بايزي أونلاين من ردود الفعل الضمنية. أثبتوا إنه SOLAR بيوصل لنسبة تنافسية ثابتة ≤3، يعني ما بيصير أسوأ بكتير من أي طريقة تانية مهما كان حجم الكاش. التجارب على مجموعتي بيانات MemoryBench-Full أظهرت تحسين نسبته بين 5% و75% مقارنةً بـ FIFO.

فريق الباحثين قدموا LingBot-World‑Infinity، نسخة مطوّرة من LingBot-World فيها أربع ترقيات أساسية. أولاً، النموذج صار يقدر يتفاعل بلا حدود زمنية وبنفس جودة الإخراج بفضل أسلوب causal pretraining. ثانياً، سوّوا نسخة سريعة بتستجيب بسرعة كافية لتشغيل فيديو 720p بـ60 fps. ثالثاً، زادوا تنوّع الأفعال والسيناريوهات النصية، من الهجوم والرمي للسهام للسحر وإطلاق النار. رابعاً، دمجوا وكيل‑طيار يخطط سلوك الشخصيات ووكيل‑مخرج يخلق عناصر بيئية جديدة، مع واجهة تسمح لعدة لاعبين يشاركون بنفس الوقت، وكل هالشي بيشتغل على GPU واحد بفضل نموذج 1.3B خفيف جنب النموذج الأساسي 14B.

الفريق قدم طريقة جديدة اسمها Structured Sparse AutoEncoder (S^2AE) لتقوية التفسيرات الميكانيكية بالنماذج اللي بتشتغل على الصور والنصوص. بيجمعوا بَقَع الصورة حسب تشابه انتباه الـ Transformer والقرب المكاني، وبضيفوا تنظيم نادر منظم يخلّي كل خلية مخفية تتخصص بمفهوم واضح ومتماسك داخل كل مجموعة. التجربة على نموذج Qwen2.5-VL-7B-Instruct ورّجت تحسين 6.06% بالـ mIoU وكمان تقليل الـ l0 norm بنسبة 60.81% مع الحفاظ على جودة إعادة البناء فوق 99% من الـ Explained Variance. كمان بيظهر إن الـ S^2AE بيزيد من تماسك المفاهيم عبر الوحدتين البصرية واللغوية، يعني الخلايا بتصير أحادية المعنى أكتر.

الفريق قدم طريقة جديدة تخلي الـ LLM ما يكون بس حكيم، بل يصير معلم كمان. بيستعمل الـ LLM لمقارنة نتايج الـ policy وتكتشف الـ prompts اللي ما فيها تحدي، وبعدين يضيف قيود بسيطة لتقوي الصعوبة خطوة بخطوة. هالطريقة بتخلي صعوبة التدريب تتماشى مع قدرة الـ policy بدون ما نحتاج جداول صعوبة خارجية. التجارب على ثلاث Benchmarks معقدة أظهرت تفوق واضح على الطرق القديمة اللي ما بتراعي السياسة.

الفريق قدم OpenCoF، إطار عمل فيه مجموعة بيانات OpenCoF-17K فيها 11 عيلة من المهمات، وجابوا نموذج Wan‑CoF مدرب خصيصًا لتوليد فيديوهات بتعكس التفكير عبر سلسلة من الإطارات (Chain‑of‑Frame). النموذج بيستفيد من إشارات بصرية ونصية لتجميع معلومات منخفضة المستوى وعالية المستوى، وبيظهر تحسن واضح على أربع benchmarks مقارنةً بالbaseline Wan2.2‑I2V‑A14B. كمان الباحثين فحصوا كيف بتأثر هالإشارات بعمق النموذج وخطوات التنقية والمساحة والزمان.

الفريق قدم ARDY، إطار توليد حركة 3D بيشتغل بشكل مباشر وبسرعة لتطبيقات التفاعل. بيستخدم تمثيل هجين بين خصائص الجذر وembedding للجسم، وبيستفيد من transformer denoiser ذات مرحلتين لتوليد الحركة بناءً على أوامر نصية لحظية وقيود كينمائية مرنة. النموذج تدرب على مجموعة ضخمة من بيانات التقاط الحركة، وبيظهر جودة حركة عالية وقدرة على الالتزام بالقيود على benchmark HumanML3D وBones Rigplay. كمان عرضوا ديمو تفاعلي يخلّي المستخدم يتحكم بالحركة عبر النص أو الفأرة ولوحة المفاتيح.

هالورقة بتطرح فكرة اختيار نموذج اللغة وقت الاختبار مع مراعاة ميزانية محددة. الباحث تشن بيقترح سياسة RoR اللي بتوزّع كل وحدة ميزانية بين إعادة العينة وإعادة التوجيه عشان تعظّم الدقة المتوقعة. التجارب على مجموعة من 11 نموذج مفتوح الوزن بأربع بنشمارك بتظهر إنه السياسة بتوصل لأفضل توازن بين الكلفة والجودة مقارنةً بالبدائل، خاصةً على بنشمارك متنوع. كمان بيّنوا إنه الفائدة بتقلّ إذا كان المتحقق ضعيف.

الفريق قدم وكيل متعدد الوسائط بهيكلة معرفية بيخزن المعلومات البصرية بذاكرة بصرية حلقيّة وبيسترجعها حسب الحاجة. الوكيل فيه ثلاث مكوّنات: Perceptual Abstraction Engine لتجريد المشاهد، Cognitive Retrieval Engine لاسترجاع الذاكرة عبر الأدوار، وMultimodal Executive Controller لتخطيط المهام واتخاذ القرار. كمان بنوا محرك سيناريو موحد يولّد محادثات متعددة الأدوار مع توضيحات استرجاع دقيقة، وخلقوا benchmark جديد لتقييم القدرة على تذكر المشاهد على مدار 20 دور. النموذج 8B حقق 91.4% دقة استرجاع بأقل نصف زمن الاستدلال مقارنة بالنماذج الكبيرة.

الفريق قدم طريقة جديدة اسمها Unbounded Positive Asymmetric Optimization أو UP، بتخلّي خوارزميات الـ RL تقدر تستكشف أكتر من غير ما تتعرّض لعدم الاستقرار. الفكرة إنه بستخدموا stop‑gradient لتثبّت السياسة الحالية، وبعطوا الـ gradients الإيجابية حرية ما فيها clipping، بينما يظلوا يطبقوا clipping للـ gradients السلبية لتجنّب الفوضى. الطريقة شغّالة على مستويات مختلفة من التحديث، من مستوى الكلمة (GRPO, DAPO) للعبارة الكاملة (GSPO). التجارب أظهرت إنه UP بتحسّن قدرة الاستكشاف وبترفع دقة الاستدلال عبر نماذج مختلفة وتطبيقات متعددة.

الفريق قدم PaperPilot، وكيل بحث علمي بيشتغل على أكتر من جولة. بيحوّل الاستعلام مع ورقة مرجعية إلى DAG من عمليات البحث مثل keyword search، توسيع الاستشهادات، تصفية، ترتيب، واستخراج دليل. المستخدم يقدر يعطي ملاحظات لتعديل الاستعلام أو تدفق العمل، والنظام يتعلم من هالملاحظات عبر supervised imitation وتفضيل التحسين. التجارب أظهرت إن PaperPilot-9B رفع Hit@5 من 58.0 إلى 77.0، وقلل الأخطاء لدرجة الصفر.

الفريق قدم نموذج Diffusion Transformer بسيط مبني على ViT، بيشتغل مباشرة على قطع خريطة النقاط الثلاثية الأبعاد من الصورة وبيستفيد من توكنات الصورة اللي جهّزها DINOv3 المدرب مسبقاً. التدريب صار من الصفر بدون ما نحتاج محولات لتشفير خريطة النقاط، فبنتفادى التعقيدات الكبيرة للمعمارية والهياكل الضائعة. بالرغم من بساطته، النموذج بيتفوق على أساليب الـ latent diffusion المعقّدة وبيعطي تفاصيل هندسية أنقى، خصوصاً بالمناطق الصعبة مثل الأجسام الشفافة.

الفريق بقيادة Yifan Zhou قدموا IG-Bench، مجموعة قياس جديدة بتختبر قدرة الأنظمة الذكية على تتبع سلالات الأفكار العلمية وتوليد اقتراحات جديدة مبنية على هالسلالة. كل ورقة أو اقتراح بنمثله بمجموعة من كائنات Idea Genome المدعومة بالأدلة، وبنرتّبها عبر GenomeDiff لتوضح الوراثة، التحوّرات، والإدخالات الجديدة. الاختبار فيه جزأين: IG-Exam لتقييم الفهم المغلق للسلالة، وIG-Arena لتقييم توليد اقتراحات جديدة بتتبع السلالة. التجارب على 14 LLM أظهرت إن أقوى نظام وصل لـ27.3% دقة بس، يعني لسه في كتير شغل لتطوير هالقدرة.

الفريق اللي اسمه Siddharth Damodharan وزملاؤه قدموا benchmark جديد اسمه AUTOPILOT‑VQA لتقييم قدرة نماذج الرؤية‑اللغة على فهم الحوادث الواقعية من فيديوهات الداشكام. الأسئلة بالمجموعة مصممة لتغطي ظروف الطقس، الإضاءة، بيئة المرور، حالة الطريق، العلامات، والكيانات المتورطة، وحتى إذا كان ممكن نتفادى الحادث. النموذج لازم يجاوب على أسئلة grounded عن خصائص المشهد والسياق الزمني للحادث، مش بس يحدد الأشياء. هالbenchmark رح يخلّي الباحثين يطوّروا نماذج أكثر أمان وتفسير للقيادة الذاتية.

الفريق Abdulsalam و Patel و Saxe درسوا إذا كان الـRL بعد التدريب بس بيقوّي المهارات البسيطة اللي موجودة بالنموذج الأساسي، أو إذا بيقدر يركّب هالمهارات ليصنع استراتيجيات أعلى. استخدموا بيئة rewrite‑grammar واضحة، وعلموا Transformer على سلاسل تحويل رموز بسيطة، وبعدها درّبوا الـRL على مهمة reasoning مع مكافأة نهائية ثنائية. الـRL قدر يحل مشاكل ما قدر النموذج الأصلي يحلها حتى مع عدد كبير من التجارب، بينما طريقة rejection fine‑tuning تحسّن بالبداية بس بتوقف. التحليل بيظهر إن الـRL يغيّر الكفاءات الأولية بخطوات: يقوّي التخفيضات الأولية، بعدين يكتشف إجراءات مركبة إما متسلسلة أو موازية، ويستعملها مرّات كثيرة.

الفريق قدم طريقة جديدة اسمها GIFT لتقليل حجم التواصل بين الأجهزة أثناء تدريب نماذج اللغة الكبيرة. الفكرة إنه بيحوّلوا الـ gradients لمجال قريب من المتساوية (near‑isotropic) قبل ما يضغطوها بصيغ FP8 أو NVFP4، فبيصير التشويه أقل. التجربة على موديلات Llama-300M وLlama-600M ورّجت إنه التدريب صار أسرع بحوالي 7.6% وعلى نفس الوقت بتحافظ على جودة النتائج بالمقارنة مع الضغط التقليدي.

المؤلفين قدموا MuseBench، بنشمارك جديد بيقيس قدرة الموديلات الكبيرة المتعددة الوسائط على الفهم العميق للمعنى الفني. بيضم 4,016 سؤال من السينما، الفنون البصرية، المسرح، وألعاب الفيديو، وبيختبر إذا الموديل بيقدر يفسّر نوايا الفنان مش بس يتعرف على المشهد. التقييم الصفر‑شوت على 28 موديل بيظهر إن أحسن موديل وصل لـ48.29% بس، بينما الخبراء البشر يوصلوا لـ87.18%