شو في AI؟ | 17 يوليو — تطور الوكلاء المتعددين

الفريق قدم طريقة جديدة لتوثيق سلوكيات الـ harness تبع الوكلاء، يعني الكود اللي بيبني الـ prompts ويدير الحالة. الطريقة بتشتغل على تحليل ثابت للكود وبمساعدة LLM بترتب السلوكيات وتربط كل سلوك بمكانه بالمصدر. كمان أضافوا تقنية اسمها Behavior-Guided Progressive Disclosure (BGPD) اللي بتقود الوكلاء من الفكرة العامة للسلوك لتفاصيل التنفيذ وتتحقق من المواقع المقترحة. التجارب على طلبات تعديل من مشروعين مفتوحين ورجعت إنو التخطيط بمساعدة الدليل حسّن تحديد السلوكيات وخطط التعديل وصار يستهلك أقل توكنات للبلانر.

الفريق قدم Boogu-Image-0.1، عائلة نماذج مفتوحة المصدر بتجمع الفهم والتوليد المتعدد الوسائط، فيها إصدارات Base, Turbo, Edit, وEdit‑Turbo. النموذج بيقدّم توليد صور بجودة عالية من النص، تحرير سريع بناءً على تعليمات، وحتى عرض نص صيني‑إنجليزي. بالرغم من إنو تدرب على 208.6 مليون صورة بس بتكلفة تقريباً 400 ألف دولار، إلا إنه بيقارن أو يتفوق على نماذج مفتوحة تانية وبيقرب من الأنظمة المغلقة القوية. كل الكود والأوزان نزلوا تحت رخصة Apache 2.0 لتقوية المجتمع المفتوح.

الفريق شاف إن حلقة action‑observation‑continuation للـ coding agents تشبه استدعاء دالة بالبرمجة، فاستغلوا هالترابط ب‍self‑supervised objective اسمه function‑aware fill‑in‑the‑middle (FIM) لتدريب وسط على موديلات Qwen2.5‑Coder‑Instruct (7B/14B) وQwen3‑8B. بعد ما عَمِلوا mid‑training على 2.6 B‑token من كود بايثون، شافوا تحسين واضح على benchmarks مثل SWE‑Bench وSWE‑Bench‑Lite، وكمان ما ضاعوا الأداء على مهام غير برمجية مثل tau‑bench وBFCL.

الفريق قدم طريقة تدريب جديدة للـ zero RL على نموذج بحجم تريليون بارامتر، وخلصوا إنو هالتحجيم بيزيد كفاءة العينة وأداء النموذج. حطوا تحسينات نظامية مثل clipped importance sampling وتصحيح نسبة التدريب‑الاستدلال وتحكم بالمختلط‑الدقة لتفادي مشاكل القراءة الزايدة وتكرار الرموز. التجارب بيّنت إنو النموذج بمر بمرحلتين: اكتشاف أولي وبعدين صقل، وبيظهر سلوكيات معرفية متقدمة مثل التحقق الذاتي وتنسيق النص. على سبع benchmarks رياضيّة، Ring‑2.5‑1T‑Zero وصل لأداء منافس.

الفريق قدم SEED، إطار بيحوّل مسارات التدريب اللي تمّ إنجازها إلى مهارات نصية بنستخلصها من نفس السياسة. بعدين بيعيد يوزّع هالمهارات على السياسة لتعطي إشارات غنية على مستوى كل كلمة، مع RL التقليدي. التجارب على مهمات نصية وبصرية للوكيل أظهرت تحسين واضح بالأداء وكفاءة العينة، وحتى على سيناريوهات ما شفناها قبل.

فريق الباحثين قدموا SearchOS، إطار متعدد الوكلاء بيحوّل تتبع التقدم بالبحث من حالة مخفية لحالة صريحة ومشتركة. بيشتغلوا على تحويل مهمة البحث المفتوح لسؤال يملأ مخطط علاقاتي مع مراجع مثبتة، وبيستخدموا مكوّن اسمه Search‑Oriented Context Management ليحافظ على حالة البحث عبر Frontier Task، Evidence Graph، Coverage Map وFailure Memory. كمان بنوا جدولة pipeline‑parallel بتخلّي الوكلاء يشتغلوا بالتوازي وتعبّي الفجوات اللي ما انغطت، وبيضيفوا Search Tool Middleware Harness لتسجيل الأدلة وتجنّب التكرار. التجربة على مجموعات WideSearch وGISA أظهرت إن SearchOS بيقود كل المقاييس مقارنةً بالأنظمة التانية.

فريق الباحثين قدموا VideoChat3، وهو نموذج MLLM يركز على الفيديو بشكل كامل ومفتوح. استخدموا تصميمين: الأول يخلّي النموذج أسرع بفضل Inflated 3D Vision Transformer (I3D‑ViT) وAdaptive Frame Resolution للستريمينغ، والثاني يزوّد النموذج ببيانات متنوعة من ثلاث مجموعات تدريبية تغطي الفيديو الأكاديمي، الفيديو الطويل، وفيديو الستريمينغ. النتيجة إنو النموذج يقدر يتعامل مع أنواع فيديو كتيرة وبكفاءة أعلى، ومع 4 بليون باراميتر بس بيتفوّق على النماذج المفتوحة الكبيرة التانية على مجموعة من الـ benchmarks.

الفريق قدم SynthDocBench، معيار صناعي بيركّز على فهم المستندات البصرية بطول كبير. بيحكموا على عوامل مثل طول المستند، تعقيد التخطيط، تركيبة الوسائط، ونوع السؤال بشكل مستقل، يعني كل إشي بيتغيّر لحالو. المستندات بتنولد من طرف LLM عبر ستة أنماط تخطيط، ومع 40% تعديل عشوائي لتجنّب استغلال النماذج للارتباطات السطحية. جربوا السبعة نماذج VLMs ولقوا ثلاث مشاكل ما ظهرت بأي معيار تاني.

الفريق قدم إطار عمل جديد للـ agents اسمه KnowAct-GUIClaw، بيحل مشكلة التفاعل مع الواجهة الرسومية عبر الأنظمة المختلفة وبيضيف آلية لتطور الذات من خلال الذاكرة. الفكرة إنو الخبرة المتراكمة من تفاعلات المستخدم بتساعد الوكيل يفهم المهمة أكتر ويقسمها بدقة، وبعدها الوكيل الفرعي للـ GUI بيستعمل ذاكرة قابلة للربط ومكتبة مهارات بتتطور ذاتيًا. التجارب على Android, iOS, HarmonyOS وWindows ورجعت إنو النموذج حقق أعلى دقة على benchmark MobileWorld، وتفوق على نماذج إغلاقية مثل Seed-2.0-Pro وGPT-5.5.

الفريق قدم OvisOCR2، نموذج بقرابة 0.8B بيشتغل كـ parser من أول الصورة لحد ما يطلع تمثيل Markdown بترتيب القراءة الطبيعي، يعني بيقرا النصوص، الصيغ، الجداول، وحتى المناطق البصرية. استعملوا محرك بيانات بيدمج تعليقات وثائق حقيقية مع صفحات صناعية من HTML، وعملوا تدريب شامل فيه supervised fine‑tuning، reinforcement learning على فرع 4B، ثم on‑policy distillation وmodel fusion. على OmniDocBench v1.6 وصلوا لأعلى درجة 96.58، وصاروا المتصدرين على leaderboard اللي كان قبل هيك مملوك للطرق المتسلسلة، وكمان تفوقوا على PureDocBench بـ Avg3 = 75.06.

الفريق (Van Mulders وزملاؤه) قدّموا إطار عمل متعدد الوكلاء بيخلّي كل حزب يشتغل بشخصية حزبية قوية، مع ربط كل وكيل ببيانات المانيفستو الرسمي عبر RAG. بيستعملوا Supervised Fine-Tuning وDirect Preference Optimization ليعطوا الوكلاء سلوك عدواني يتماشى مع أيديولوجية الحزب، وبنفس الوقت بيضمنوا إن الكلام مبني على مصادر موثوقة. جربوا النظام على انتخابات 2019 الفلمنكية وشافوا كيف الناتج بيطلع واضح: بيحدّد أي حزب كان له الأثر الأكبر على الاتفاق النهائي، مع أدوات لتتبع كل بند لمرجع المانيفستو. النتيجة إنو النموذج بيقدر يحاكي مفاوضات حقيقية ويعطي نظرة شفافة على تشكيل التحالفات.

الفريق قدم لنا AgentCompass، بنية مفتوحة المصدر لتقييم الوكلاء المبنيين على LLMs. بتقسم التقييم لثلاث مكوّنات مستقلة: Benchmark، Harness، وEnvironment، يعني بنقدر نغيّر أي جزء من غير ما نعيد كتابة الكود. كمان فيها محرك غير متزامن يتحمل الأخطاء وأدوات تحليل مسار تفصيلية لتكتشف مشاكل دقيقة مثل reward-hacking. هالبنية تدعم أكتر من 20 benchmark بخمس أبعاد قدرة، وبتسهل على الباحثين يكرروا التجارب ويطوّروا الوكلاء بسرعة.

الفريق قدم طريقة لتوسيع الـ tokenizer لنموذج مدرّب مسبقاً بدون ما نعيد تدريب كل شي من الصفر. بيستمروا بدمج BPE الموجود على مجموعة بيانات متعددة اللغات، فمعظم الرموز القديمة بتظل مثل ما هي، وكل رمز جديد بيتكوّن من رموز مصدرية معروفة. بنسخوا صفوف الـ embedding القديمة ونبني الصفوف الجديدة بمتوسط الـ embeddings للرموز الفرعية، وبعدين يدربوا النموذج بمرحلتين – تدريب الـ embedding بس، وبعدها استكمال التدريب الكامل. التجربة على نموذج Mixture-of-Experts بـ8 مليار بارامتر أظهرت تقليل عدد الرموز للغة الهندية والفيتنامية بحوالي 2.4‑2.6 مرة، مع تسريع كبير في فكّ الشيفرة على الأجهزة الصغيرة.

فريق Chen وزملاؤه قدموا WanSong، نموذج يعتمد على diffusion لتوليد أغاني تجارية بطول يصل لخمسة دقايق وبجودة عالية. النموذج بيطلع مسارين صوتيين (صوت المغني والموسيقى الخلفية) بجولة وحدة، من غير ما يحتاج لسلسلة مراحل معقدة. كمان بيستفيد من step‑distillation لتقليل زمن التوليد، وبيسهل عملية fine‑tuning لتخصيص الأغاني حسب الطلب.

الفريق قدم VEXMLM، نسخة موسّعة من XLM‑R مخصّصة للغتين ساميتين إثيوبيتين: الأمهرية والتغرينية. إشتغلوا على توكنايزر SentencePiece خاص بهاللغات، وزادوا المفردات بـ30,000 كلمة فرعية، وابتدوا تمثيلاتها بمتوسط تمثيلات الكلمات القديمة. بعدين درّبوا النموذج على مهمتين: masked language modeling عالبيانات الجديدة، وبعدين fine‑tuning على أسئلة وإجابات، واكتشاف الكيانات، وتحليل المشاعر. النتايج بينت تحسّن واضح بالمقارنة مع XLM‑R وGlot500، خاصةً على قياس الدقة والـ EM.

الفريق قدم طريقة جديدة اسمها delta signal لتدريب نماذج اللغة بعد التدريب. الإشارة دي بتقيس الفرق بين النموذج المعلم ونموذجه الأساسي قبل ما يتضبط على مهام التفكير، فبتمكّن النموذج المتعلم من يلتقط التغييرات اللي صارت بسبب ضبط التفكير مباشرة. التجارب على اختبارات الرياضيات والعلوم والبرمجة وضحت إن الطريقة تتفوّق على أساليب الـ on-policy distillation التقليدية وتخلّي النماذج توصل لأداء قوي بعد فترة تدريب قصيرة. الكود رح يكون متاح على GitHub.

الفريق قدموا أول benchmark اسمه KeyFrame-Compass لتقويم نماذج توليد الفيديو اللي بتشتغل بإطارات مفتاحية. Benchmark فيه 386 عينة من ثلاث مجالات تطبيقية، مع تنوع في بنية الفيديو، دقة الوصف، صيغ التكييف، وكثافة الإطارات المفتاحية. كمان طوّروا إطار تقييم أوتوماتيكي بيقيس تنفيذ الإطارات المفتاحية عبر ست مقاييس (وجود، دقة، ترتيب زمني، موقع، استمرارية، تميّز) وبنفس الوقت بيقيم جودة الفيديو الكلية باستخدام أحكام MLLM مدعومة بنماذج إدراك متخصصة. التجارب على تسع أنظمة توليد فيديو وضحت إنو في تعارض واضح بين تنفيذ الإطارات بدقة وإنتاج فيديو طبيعي، وإنو الأداء بيوصل لتدهور مع زيادة كثافة الإطارات المفتاحية، وكمان معظم النماذج المفتوحة ما بتفهم إدخال storyboard‑grid كمتسلسل زمني للإطارات.

الفريق قدم نسخة مطوّرة من الـWAM بتصميم بيركّز على الفعل بس، يعني بستخدم الديناميكيات البصرية بس وقت التدريب وبس ما بيحتاج يولّد فيديوهات وقت الاستنتاج. خلال التدريب، بيستعملوا استراتيجية مختلطة بين Action-Conditioned World Modeling وWAM لتقوية ربط الفعل بالمشهد، وبنفس الوقت عمّلو Mixture-of-Transformers لتقسيم مهمة النمذجة البصرية وتوليد الفعل على خبراء متخصصين. هالشي خفّف الحمل الحسابي وقت الاستنتاج، وصاروا يحققوا زمن استنتاج 85 مللي ثانية على RTX 4090. كمان استعملوا خط أنابيب AutoResearch للبحث الآلي عن إعدادات التدريب، فقلّصوا الوقت والجهد اليدوي.

هالورقة بتقدّم MultiRef-Compass، معيار موحد لتقييم توليد محتوى صوت وفيديو بناءً على أكتر من مرجع وتعليمات نصية. جمعوا 350 عينة من سيناريوهات معقدة، مثل حفظ مواضيع من زوايا مختلفة وربط كائنات متعددة مع بعضها. كمان حطوا بروتوكول تقييم بأربع أبعاد و14 مقياس، ودمجوا مقياس آلي مع MLLM-as-a-Judge لإعادة التقييم. التجارب على 8 أنظمة أظهرت إنو لسا في مساحة كبيرة للتحسين.

الفريق قدم طريقة اسمها Symbal بتستعمل نماذج أساسية جاهزة لتكتشف الأخطاء المتكررة اللي بتظهر بالشرح التلقائي للصور، خصوصًا لما يكون الخطأ مرتبط بميزة بصرية معينة بالصورة. كمان عملوا benchmark جديد اسمه SymbalBench فيه 1.7 مليون زوج صورة‑نص من طبيعة طبيعية وطبية لتقييم هالطريقة. على هالمجموعة، Symbal قدر يحدد الأخطاء المتكررة بـ 63.8٪ من الداتا، يعني تقريبًا أربع مرات أحسن من أقرب طريقة.