شو في AI؟ | 13 يوليو — وكلاء AI يتعلموا من العالم المفتوح

الفريق قدم إطار عمل VEXAIoT، وهو نظام متعدد الوكلاء يعتمد على LLM لتصنيف واكتشاف واستغلال ثغرات الـ IoT. الوكيل الأول بيعمل reconnaissance ويحدد الثغرات، والوكيل الثاني بيخطط الهجوم وينفّذ الاستغلال على خدمات الـ IoT. تم اختبار النظام على بيئتي IoTGoat وMetasploitable عبر عشر سيناريوهات مرتبطة بضعف OWASP للـ IoT، وحقق نجاح يوصل لـ 100% بحجم توكن منخفض ووقت تنفيذ أقل من دقيقتين للغالبية. إجمالي النجاح كان 95% على 260 تجربة.

الفريق قدم لنا خط أنابيب عملي يدمج الهندسة العكسية مع استرجاع الكود من قاعدة بيانات للشفرة، وبعدين يستخدم LLM لإعادة ترتيب النتائج. أول شي، برنامج Ghidra يطلع "anchors" مثل السلاسل النصية والنداءات الخارجية، وبعدين يدوّر بقاعدة بيانات عبر بحث inverted‑index ليلاقي ملفات مرشّحة. أخيرًا، الـ LLM يقيم التشابه بين التفكيك والشفرة المصدرية ويختار الأنسب. التجربة على برنامج tcpdump المشفّر أظهرت تغطية 95.2% من التعليمات، بينما قاعدة GitHub أعطت 35.5% بس بسبب نقص الاسترجاع.

بهالورقة الباحثين بيقترحوا إنو توليد الفيديو بالنصّ هو المفتاح لتدريب نماذج رؤية عامة. بيستعملوا GenCeption، نموذج بيركّز على backbone توليدي diffusion للفيديو، وبيحوّله لنموذج إدراكي يقدر ينجز مهام بصرية مختلفة عن طريق أوامر نصية. النتائج بتظهر إنو GenCeption بيحقق أرفع مستوى دقة بأعمال مثل تقدير العمق، وتحديد الوضعية الكاميرا، وتجزئة التعبيرات، وحتى توقع نقاط 3D، وغالبًا بيقارن أو يتفوق على نماذج متخصصة. كمان النموذج بيستفيد من بيانات قليلة وبيظهر قدرات تعميم من فيديوهات صناعية للواقع الحقيقي وفئات غير متوقعة.

الباحثين قدموا Benchmark جديد اسمه Long-Horizon-Terminal-Bench فيه 46 مهمة طويلة بتغطي تسع فئات، من إعادة تجارب علمية لحد ألعاب تفاعلية. كل مهمة متقسمة لمهام فرعية مع مكافآت متدرجة، يعني الوكيل بيحصل على reward مش بس في النهاية. الاختبار بيقيس قدرة الوكلاء على التخطيط الطويل وإدارة السياق الطويل وتعديل الأخطاء بشكل متكرر. النتائج ورّيت إن أقوى نموذج وصل لـ15.2% pass@1 عند حد جزئي 0.95، وهذا واضح إنو في مساحة كبيرة للتحسين.

الباحثين اقترحوا إطار اسمه Agora بيستغل آلية مزاد متوافقة مع الحوافز لتوزيع المهام على نماذج خبراء وأدوات مختلفة. الفكرة إن كل خطوة من عملية التفكير بتتحول لإشي قابل للمزاد، وكل نموذج بيقدم عرضه حسب كفاءته الفعلية، فبيوصلوا للمنحل الأنسب مو للغلط. التجارب على خمس Benchmarks ورّيت إن Agora بيتفوق على طرق التوجيه أو السلسلة التقليدية، وكمان بيخلّي فيه تحكم واضح بين التكلفة والجودة عبر ضبط معامل واحد بالمزاد.

الفريق Xu وزملاؤه بيستعرضوا كيف إنّ Large Language Models صارت ممكنة تساعد في مرحلة الـ front‑end لتصميم الرقائق، من قراءة المواصفات لحد توليد كود الـ HDL وبناء الـ testbench. بينوا كمان كيف إنّ الأنظمة الوكيلية مثل OpenClaw ممكن تحول هالمساعدة من مجرد إرشاد لعمل مستقل تمامًا. الورقة بتحلل آخر التطورات في توليد الدوائر والـ testbench من مواصفات مشتركة، وبتوضح تحسين جودة التصميم خلال عمليات الـ high‑level synthesis. أخيرًا، بتناقشوا التحديات الأساسية للدمج بين LLMs وEDA وبتطرحوا فرص مستقبلية لتقوية هالواجهة الذكية.

الباحثين بيظهروا إنو لما بنعمل fine‑tuning للـ LLMs لإضافة معلومات جديدة، النموذج بيمسك المعرفة بسرعة بس ما بيقدر يستخدمها بالمهام اللاحقة. عرّفوا الفجوة بين “المعرفة” و“الاستخدام” باسم Knowing--Using Gap، اللي بتظهر كفرق دقة وتأخير زمني بين الحفظ والتعميم. باستخدام تقنية جديدة اسمها self‑patching، حددوا أماكن التفعيل داخل الشبكة اللي لو نعيد توجيهها بتحسن القدرة على التعميم. بناءً على هالنتيجة، صمموا إستراتيجية بسيطة بتسترجع من 58% لحد 75% من الفجوة المتوقعة عبر تعديل رؤوس النموذج.

الفريق اكتشف إنو مجرد توسيع نافذة السياق للـ LLMs ما بيكفي، لأنه مع طول النص بتقل الدقة. جربوا فكرة التدريب أثناء الاختبار (TTT) بس تطبيقها على كل النص كان غالي كتير، وتدريب عشوائي على أجزاء من النص كان بيضيف ضوضا. من هون جابوا طريقة S‑TTT، اللي بتخلي النموذج يحدد أولاً أجزاء الأدلة المهمة وبعدين يتدرب عليها بس، وبهالطريقة حققوا تحسينات لحد 15٪ على مجموعتين اختبارية صعبين.

الفريقين Shravan Murlidaran وMiguel P. Eckstein قدموا مجموعة بيانات جديدة اسمها Complex Social Behavior (CSB) فيها مية صورة بتظهر تفاعلات اجتماعية معقّدة. حللوا كيف صارت دقة أوصاف المشاهد تتغيّر من 2017 لحد 2025 عبر أربع نماذج قبل ما تصير Multimodal Large Language Models (MLLMs) وخمسة نماذج MLLM. لقوا إن MLLMs صارت تقريبًا توصل لأعلى دقة بشرية، بس لسا فيه شوية أخطاء بتركّز على المناطق اللي يشتغلوا عليها مقارنةً بالإنسان.

الفريق قدم Freya‑TTS، نموذج تركي للـ TTS ما بيحتاج توكنايزر وبيشتغل بسرعة. هو مبني على Diffusion Transformer (DiT) بـ 183.2M بارامتر وبيستغل الفضاء المستمر المجمد لـ AudioVAE2، فبيحوّل النص للـ latent بجودة 48 kHz. النموذج بيشتغل بثلاث خطوات: يقرأ النص من 92 حرف تركي من غير قواعد أو فونيمايزر، بيعمل denoising غير متسلسل ليطلع كل اللاتنت مرة وحدة، وبعدين يطبق طريقة post‑training من مرحلتين لتثبيت صوت المتكلم وتحسين الأداء على الجمل القصيرة. على benchmark Freya‑TR‑Eval وصل WER 8 % وCER 3 %، وبيشتغل أسرع من الوقت الحقيقي على GPU ومناسب للأجهزة القليلة الموارد.

الفريقين Baxevanakis وYang جربوا تقنية Test-Time Scaling على نماذج رؤية‑لغة صغيرة باستخدام مجموعة EXAMS-V المتعددة اللغات للـ visual MCQ. قارنوا بين self-consistency وطرق تانية متل PRM‑guided beam search، ولاحظوا إن أهم شي هو طريقة صياغة الـ prompt وقدرة النموذج على إكمال السلسلة. رفعوا حد الـ token لكل سلسلة من 1k لـ 2k زاد الدقة 3.7 نقطة مئوية، بينما زيادة عدد السلاسل ما كان إلها تأثير كبير. النتيجة إن أفضل إعداد وصل لـ84.1٪ وتصدر لوحة Visual MCQ leaderboard.

الفريق بيقول إنو التدريب التقليدي للنماذج الكبيرة بيستند بس على نصوص، بس هالورقة بتثبت إنو إذا استغلينا الصور داخل الوثائق، بنقدر نعلّم نماذج أذكى. عملوا دراسة منهجية على طرق visual pretraining غير مراقبة، واستخدموا وثائق بصرية مباشرة بدون استخراج النص. عبر تجارب على عدة backbones وعلى benchmarks مختلفة، شافوا إنو التدريب البصري دايمًا بيطيّح التدريب النصي من حيث الأداء. النتيجة إنو في طريق فعال لتوسيع الذكاء اللغوي باستخدام الصور.

الفريق قدم إطار عمل متعدد الوسائط لاسترجاع سيناريوهات القيادة الذاتية، بدمج تمثيلات بصرية مع تمثيلات مسار الحركة داخل خط أنابيب موحد. جرّبوا طريقتين معتمدتين على المسار: Exo-Trajectory اللي بيلائم الحركات المحيطة صراحة، وScenarioFormer اللي بيستفيد من transformer لتعلم تمثيل من مسارات الأشياء عبر التعلم المتباين. المقارنة مع أسس بصرية قوية ورّيت إن تمثيلات المسار بتتفوق بأحداث حركة مثل القطع داخل المسار أو التحولات، بينما التمثيلات البصرية بتتفوّق لما تكون المظهر مهم. الجمع بين الاثنين أعطى أفضل نتيجة استرجاع.

الباحثين عملوا أول دراسة واسعة على فشل وكلاء البرمجة اللي يشتغلوا بالـ CLI، وحطّوا إطار يدرس الفشل من بدايته لحد ما يصير غير قابل للإصلاح. جمعوا 3,843 مسار تنفيذ من سبعة نماذج متقدمة على ثلاث منصات (OpenHands, MiniSWE, Terminus2) واختاروا 1,794 مسار صالح للتعليق اليدوي، يعني فوق 63,000 خطوة. لقوا إن الأخطاء عادةً إبيستيمية، بتبلّش بأول شوية خطوات، وغالباً بتضل مخفية لحد ما ما في مجال للإنقاذ. النتيجة إنو لازم نتحقق من الكود بدري ونقّف الأخطاء قبل ما تصير مشكلة نهائية.

الفريق قدم ProofCouncil، وكيل LLM مبني على بنية author‑critic، هدفه يشتغل على حل مشاكل رياضية مفتوحة. جربوه ضمن تحدي FirstProof ونجحوا بحل 6 من 10 مسائل بحكم الحكماء، وهذا كان أحسن نتيجة بين الفرق المشاركة. كمان اختبروا الوكيل على 30 مسألة من باحثين، ولقت 5 حلول صحيحة تمامًا و2 واعدة و8 فيها تقدم جزئي. المكتبة اللي بنوا الوكيل فيها أطلقوها ككود مفتوح للكل يقدر يستفيد منها.

الفريق قدم AutoWorldBuilder، نظام فيه عدة وكلاء LLM يشتغلوا سوا لبناء عوالم خيالية. النظام بيحل مشكلة تضخم السياق عبر ضغط السياق بأربع طبقات بيقلل التوكنات بحوالي 90٪، وبينظم المهام حسب التشابه الدلالي باستخدام جدولة DAG. كمان فيه وكيل مراجعة اسمه Auditor بيقلل الأخطاء ويزيد نسبة القبول من 42٪ لأكثر من 85٪. التجارب على 20 مهمة عالمية باستخدام GPT‑OSS 120B وDeepSeek v3.2 حققت نجاح 95٪.

الورقة بتقدّم طريقة جديدة للضغط بعد التدريب (PTQ) للـ LLMs. الفرق إنو KronQ ما بيفترض إنو كل القنوات الخارجة بتساوي بعضها، بل بيدخل تغاير التدرج (gradient covariance) ضمن حساب الخسارة مع تغاير التفعيل. الطريقة بتشتغل على مستويين: أولاً بتضيف تدوير عشوائي للبعد الخارجي باستخدام تغاير التدرج لتقليل تباين وزن الموديل، وثانياً بتستخرج مقياس حساسية جديد لتوزيع الدقة المختلطة بين الطبقات بناءً على تتبع هيسيان التدرج والتفعيل. النتيجة إنو على نموذج LLaMA‑3‑70B بضغط 2‑bit للوزن بس، KronQ وصل إلى perplexity 7.93 بينما طرق تانية فشلت أو أعطت أرقام فوق 2000.

الفريق قدم حل للـ QANTA 2026، وهو مسابقة بتختبر أنظمة سؤال وجواب بتشتغل على نصوص وصور بتظهر تدريجياً. صمموا عميلين مخصوصين: واحد للـ Tossup بيستعمل نموذج GPT‑4o‑mini مع ضبط الثقة وسياسة حسابية لتقليل الأخطاء من الإشارات الرقمية، والثاني للـ Bonus بيستعمل نموذج GPT‑4o مع توجيه التفكير حسب المقدمة وتكامل الأدلة المتعددة. ما اعتمدوا على استرجاع بيانات أو تجميع نماذج، بل ركّزوا على سياسات تفكير خفيفة وسريعة. النتيجة كانت أعلى درجة على لوحة المتسابقين (leaderboard) بـ 0.402، مع أداء مميز في كل مهمة.

الفريق قدم SAGEAgent، وكيل مبني على LLM بيقرر إشي الفحوصات اللي لازم يشتريها لكل مريض سرطان، وبيوازن بين دقة التوقع وبين عبء الفحص. الوكيل بيستخدم أدوات سريرية بتحوّل التوقعات الرقمية لنص، وبيستدعي episodic memory لتلاقي حالات سابقة مشابهة، وبيضيف نمط قرار جديد للـ semantic memory. التجارب على مجموعة من مرضى الجليوما من TCGA وBraTS أظهرت إن الوكيل بيحقق دقة تنافسية مع تقليل عبء الفحوصات المتوسط بـ55٪.