شو في AI؟ | 15 يوليو — تحسين أمان وكفاءة LLMs

الفريق المقترح SpectraReward بيشتغل بدون ما يحتاج لتدريب إضافي؛ بيحوّل MLLM مدرب مسبقًا إلى نموذج مكافأة فورًا لتوليد الصور عبر قياس مدى قدرة الصورة على استرجاع النص الأصلي. بيستعمل متوسط احتمال النص المشروط على الصورة كالمكافأة، فبيستفيد من توافق الصورة والنص الموجود بالموديل من غير ما نحتاج لعلامات تفضيل أو تعديل على نموذج المكافأة. كمان قدموا Self‑SpectraReward، حالة خاصة بتخلي فرع الفهم بالموديل نفسه يكون هو المكافأة للفرع اللي بيولد الصورة، يعني حلقة مغلقة بتحسّن الأداء من غير أي نموذج مكافأة خارجي. التجارب أظهرت تحسين واضح عبر موديلات انتشار مختلفة، خوارزميات RL متعددة، وعدة MLLM من أحجام مختلفة، وتفوقت على طرق المكافأة السابقة.

الفريق يطرح فكرة جديدة اسمها E3 (Estimate, Execute, Expand) لتقليل الجهد الزايد اللي الوكلاء بيقضوه على مهام بسيطة. الفكرة إن الوكيل يقدّر صعوبة المهمة أولًا، ينفّذ أقل مسار ممكن، وبس يوسّع الشغل إذا ما نجح التحقق. جربوا الطريقة على benchmark اسمه MSE‑Bench ولقوا إنها توصل لنفس نسبة النجاح بأقل تكلفة، توفّر 85% من الموارد وتقلل عدد الملفات المقروءة بأكثر من 90%. كمان جربوها على gpt‑4o مع مكتبة مفتوحة المصدر وطلعت أسرع وأقل استهلاكًا للوقت.

الفريق شيويدا وزملاؤه استغلوا طريقة جديدة اسمها RLVR لتدريب نموذج تفكيري مفتوح الوزن على جدولة تخزين الطاقة الحراري بالمباني. حوّلوا قيم أفعال البرمجة الديناميكية (DP) إلى مكافآت كثيفة لكل خطوة، وتدربوا على 30 سؤال بس، فالنموذج صار يحدد إعدادات المضخة الحرارية كل ساعة من حالة نصية وتوقعات. النتيجة إن الانبعاثات انخفضت من 70.5 كغ إلى 61.2 كغ‑CO2، قريبين من optimum تبع DP. كمان شافوا إن GPT‑5 يقترب من DP وMPC بدون تدريب خاص، بينما GPT‑4o ما بيستفيد من التفكير ويطلع أسوأ من الوضع بدون تخزين.

الفريق قدم Light-MER، إطار خفيف لتعرف على المشاعر من الفيديو والصوت والنص، بيعتمد على knowledge distillation لينقل المعرفة من نموذج كبير للمعلم إلى طالب بأقل من مليار بارامتر. حطوا استراتيجيتين جديدتين: خسارة optimal transport بتجمع بين Sliced Wasserstein Distance ومحاذاة الحالات المخفية، واستراتيجية multi-reward مبنية على GRPO لتوازن بين الدقة والسرعة. التجارب على تسع benchmark datasets بيّنت إن Light-MER يحقق state-of-the-art مع تحسين كبير بكفاءة الاستدلال، يعني بيشتغل أسرع وبموارد أقل.

الفريق قدم مهمة جديدة اسمها Evidence-Backed Video Question Answering (E‑VQA)، بتطلب من النموذج يجاوب على سؤال عن فيديو وبنفس الوقت يعطي دليل بصري دقيق – مقاطع زمنية وقناع تتبع للأجسام. عشان يدعموا المهمة، عملوا benchmark أول مرة بشركة بشرية اسمه ST‑Evidence بيقيس grounding على مستوى البكسل. بعدين بنوا مجموعة بيانات ضخمة اسمها ST‑Evidence‑Instruct فيها 160k مثال لتدريب النماذج على ربط الإجابة بالفيديو. لما عملوا fine‑tuning لنماذج Video LLM على هالبيانات، حصلوا على تحسينات كبيرة مقارنةً بـ UniPixel.

الباحثين قدموا AdvancedMathBench، مجموعة اختبار جديدة لتقييم قدرة الـLLMs على توليد وإثبات مسائل رياضية متقدمة، من مستوى البكالوريوس لحد اختبارات الدكتوراه. المجموعة فيها ProverBench مع 296 سؤال وتقييم دقيق للبرهان عبر خط أنابيب verification آلي مدرب على تعليقات خبراء. كمان ضافوا VerifierBench اللي فيه 888 مسار برهان مولد من النماذج لتقييم إذا النموذج بيقدر يميّز بين برهان صحيح وخاطئ ويعطي تفسير منطقي. التجارب أظهرت إن حتى أقوى نموذج موجود، GPT-5.5-xhigh، لسه بعيد عن إنجاز الأداء المطلوب على هالمستوى المتقدم.

الفريق قدم FormalAnalyticGeo، إطار عصبي‑رمزي بيولد مسألة تحليل هندسي متعدّدة الوسائط من غير أي تدخّل بشري. الإطار بيستعمل لغة وسطية اسمها CDL لتوصيل النص الحر مع رسم دقيق عبر محرك SDF، وبيمرّ على أربع مكوّنات LLM: مولّد المسائل، محوّل النص لـ CDL، مقاس للجواب، ومُتحقق الجودة. بعد ما يطلع الرسم، بيقيس الجواب بصورته وبيتحقق من الجودة بثلاث مراحل، وبيعيد العملية إذا صار شي غلط. هالطريقة انتجت مجموعة AnalyticGeo7K فيها أكتر من 7 آلاف مسألة موثقة.

الفريق قدم MCLASH، معيار جديد لتقييم الفهم الأخلاقي عبر لغات وثقافات مختلفة، بدل ما يترجم بس. كمان جابوا طريقة MET اللي بتاخد خطوة اختيار أسس ثقافية ونظرية قبل ما يجاوب، وكل هالشي بيصير باللغة الأصلية للمستخدم. بعدين سووا MET-D، مرحلة تدريبية بتستفيد من نفسها بدون ما تحتاج إشراف خارجي، وطلعت تحسينات واضحة على عدة نماذج.

الباحثين قدموا بروتوكول JADR اللي بيفحص تمثيل النموذج داخل مساحة Jacobian (J‑space) قبل ما يولّد أول كلمة. لكل سؤال وبكل طبقة، بنسجّل أهم الرموز ونجمعها ضمن ستة محاور سلوكية، وبنقارن بين عينة خطر وعينة آمنة. ما بنحتاج نموذج حكم خارجي؛ العملية بتصير محلياً على تنشيطات النموذج، وبيتم التقييم باستخدام مقياس SafetyAUC مع فواصل ثقة. جَرّبوا الطريقة على ستة نماذج مختلفة وبثلاث مستويات تمثيل وزن (BF16, INT8, INT4) وشافوا فرق واضح بين الآليات الداخلية للسلامة.

الفريق تبع Xingyu Dang وزملاؤه بنوا مجموعة بيانات ضخمة مخصّصة لاستنتاج آليات التفاعلات، وبنوا benchmark صعب اسمه FukuyamaBench مأخوذ من كتاب Fukuyama المتقدّم. بعدين عدّلوا نموذج Qwen3-30B-A3B على هالبيانات، وحققوا نسبة تطابق مسار كامل 8.3% على مجموعة FukuyamaBench Set A، يعني أكتر من نموذج FlowER اللي وصل 5.1%. هالنتيجة بتبين إنّ التدريب اللي بيركّز على الآلية بيقوّي الفهم الكيميائي للـ LLMs.

هالورقة بتقدّم StudioRecon، طريقة جديدة بتعيد بناء مشاهد 4D للإنسان من كاميرات قليلة التداخل. الطريقة بتفصل بين الخلفية والإنسان، وبتستفيد من video diffusion model لتوليد مئات المشاهد الجديدة للخلفية. كمان بتستخدم Gaussian مرن لتجسيد البشر وتربط هوياتهم بين الكاميرات عبر fitting لنقاط المفتاح المتعددة. وأخيرًا، وحدة التحسين المتكررة بتدخل توافق حركي لتقليل العيوب، وبتوصل لأفضل نتائج novel view synthesis على أربع مجموعات بيانات حقيقية.

الفريق حذّف أسماء الكيانات من النصوص وقت التدريب، فالموديل ما عاد يقدر يسترجع الحقائق من ذاكرته بسهولة. هالخطوة خلت النموذج ينجح أكتر بأسئلة الجواب من السياق، والتحقق من الحقائق، واكتشاف الهلاوس. كمان بيظهر أداء أحسن بالمعايير اللي تقيس مدى موثوقية النموذج، خصوصاً إذا كان فيه دليل خارجي غير كامل. بالنتيجة، النموذج صار يعتمد على الأدلة الخارجية بدل ما يعتمد على معرفته المدمجة.

الباحثين Gwak وزملاؤه بيستعرضوا كيف ممكن نسرّع نماذج اللغة الكبيرة اللي بتستخدم الانتشار، لأن السرعة ما بتجي بس من توليد متوازي. بيقترحوا إطار لتفكيك زمن الاستجابة ليفصل بين تأثيرات الخوارزمية، البنية، والنظام. بناءً على الإطار، بيرصّوا تقنيات التسريع على ثلاث محاور: ابتكارات خوارزمية، تحسينات بنيوية ونظمية، وتوسيع الحجم وقت الاستدلال. كمان بيعطوا إرشادات لتقييم الأداء بشكل موثوق ويبرزوا التحديات اللي باقي نحلّها.

الفريق قدم PalmClaw، إطار وكيل يشتغل مباشرة على الموبايل. بيعرّف قدرات الجهاز كأدوات مع معاملات واضحة ونتايج منظمة، وبيحافظ على حدود التنفيذ. التجارب أظهرت تحسين 11.5% بنجاح المهام وتقليل الوقت 94.9% مقارنة بأقوى baseline.

الفريق قدموا MemOps، بنشمارك جديد بيركّز على عمليات الذاكرة خلال محادثات طويلة ومتعددة الجلسات، مش بس على الإجابة النهائية. كل عملية مثل تذكّر أو نسيان أو تعديل بتتوثق بتتبع هيكلي يوضح السبب والهدف والحالة. بنوا مجموعة محادثات موجهة تولّد عمليات الذاكرة مع تتبعها، وجابوا ست فئات من أسئلة اختبار لتقيس الأداء تحت إعدادات دليلية قريبة أو سياق طويل. النتائج بيّنت إن الأنظمة الحالية، سواء كانت تسترجع من قاعدة أو تعتمد على النموذج نفسه، ما زالت تعاني من أخطاء ما بتظهر إلا لما نفحص عمليات الذاكرة نفسها.

الفريق Choi وزملاؤه بيّنوا إنو الوكلاء المبنيين على LLM ما بيستكشفوا بعضهم بشكل كافي، وبيظهروا سلوكيات قصيرة النظر ومُستقطبة بتقلل من التنسيق وتزيد الندم. عرّفوا مشكلة Multi-Agent Exploration كـ POSG لازم فيها الوكلاء يجرّبوا بعض ليعرفوا قدراتهم. قدموا إطار MACE الخفيف اللي بيركّز على اختيار الشركاء بطريقة منظمة، وبيحسّن الاستكشاف والأداء بالمهمات. كمان أثبتوا نظريًا إنو قيمة الاستكشاف بتزيد كل ما زادت تنوّع الوكلاء.

الباحثين قدموا إطار جديد اسمه PUST يخلّي عملية ما بعد التدريب للـ LLM أكثر مرونة وتكلفة أقل. بدلاً من إنّ النموذج الأساسي يتعبّ نفسه بالاستكشاف المكلف، بيستعملوا نموذج خفيف (proxy) كحلبة اختبار لتلاقي سلوكيات عالية المكافأة. بعدين بيستخرجوا إشارة تحسين نسبية من الفرق بين حالة البروكسي الأصلية والنهائية، وينقلوا هالإشارة للنموذج الأساسي لتوجيهه. التجارب على عائلة Qwen3 أظهرت إنّو حتى البروكسي الضعيف يقدر يحسّن النماذج القوية، وبيخلّي الإشارات قابلة لإعادة الاستخدام عبر نماذج مختلفة.

الفريق Zhang وزملاؤه اكتشفوا إنو مع إنو نماذج اللغة الكبيرة (LLMs) بتظهر متينة لما نضيف سياق غير مهم للمهام، الدقة الإجمالية ما بتتغيّر كتير. بس إذا بنشوف كل مثال لحالو، بنلاقي إنو كلمات عشوائية بتقلب التنبؤات على نسبة صغيرة من الأسئلة، يعني النموذج ممكن ينجح أكتر أو يغلّط أكتر حسب العينة. هالتقلب بيظهر عبر نماذج وبيانات مختلفة، وبيزيد أو يقل حسب طول السياق، قوة الحوسبة وقت الاختبار، ومرحلة تطوير النموذج. النتيجة إنو لازم نقيم موثوقية النماذج على مستوى كل مثال مش بس على المتوسط.

الفريق قدم طريقة جديدة اسمها Adaptive Vector-Quantized (AVQ) Attention لتقليل عبء حساب الـ attention اللي بيصير O(N²) بالـ transformers. الفكرة إنو الكودات (codewords) بتتوزع حسب أهمّية الانتباه: بالمناطق اللي فيها تركيز عالي من الانتباه بيزيدوا عدد الكودات لتفصيل أدق، وبالمناطق التانية بيظلوا خشنين. هالشي تم تنفيذه بكيرنلات مخصّصة بـ Triton ضمن نمط Flash Attention، فبنظل على تعقيد O(MN) وبنحسّن الدقّة والكفاءة بالمقارنة مع VQ‑attention الثابتة.

الباحثين يلاقوا إن نماذج اللغة المتوافقة مع الحوافز أحيانًا بتبالغ أو بتطمن المستخدم حتى لو ما فيها دليل داخلي. اقترحوا طريقة لتعلم وتوثيق وسطاء تقارير مضادة للواقع بيخلوا تقارير النموذج ثابتة ضد الضغوط غير المسموح فيها ومرنة لما يجي دليل حقيقي. هالطريقة بتستند على إحداثيات تقارير منخفضة الرتبة بتتحكم فيها بشكل شبه مستقل، وبيتم تطبيق "CRC clamp" بدون تدريب لتصحيح التقرير. التجربة على معيار "Bayesian-witness" أظهرت إنهم وصلوا لمستوى مقاومة وتحديث كامل، وتأكدوا إن الفكرة تنطبق على نماذج مختلفة وتنتقل لتقييم السايكوفانسي كمان.