شو في AI؟ | 22 يوليو — وكيل AI يتعلم من التجربة

الفريق قدم إطار عمل اسمه DeepSearch-Evolve لتدريب وكلاء ويب يقدروا يتعلموا من خبراتهم بدون ما يحتاجوا معلمين ثابتين. البيئة اللي استعملوها، DeepSearch-World، deterministic وبتسمح بالتحقق من التقدم، والتفكير المرتكز على الواقع، واسترجاع الأخطاء، وتحتوي على 420 ألف سؤال متعدد الخطوات. العملية بتشتغل على توليد مسارات، تصفيتها، خلط البيانات، وتدريب النموذج بشكل متكرر، وبدون ما يستندوا لنماذج أقوى من قبل. النتيجة إن النموذج 9B وصل نسب 31.2% على BrowseComp، 61.5% على GAIA، و93.4% على HotpotQA، وبيظهر إن البيئة القابلة للتحقق بتساعد الوكلاء يتطوروا ذاتيًا على مهام البحث الطويلة.

فريق الباحثين قدموا Mage-Flow، نموذج توليدي بحجم 4 B بارامتر بيشتغل بكفاءة لتوليد الصور من النص وتعديلها بناءً على تعليمات. النموذج مبني على مكوّنين صمّموهم سوا: Mage-VAE، وهو tokenizer خفيف بيحافظ على جودة الصورة وبسرعة أعلى بكتير، وNative-Resolution Multimodal Diffusion Transformer المدرب بطريقة rectified flow matching. بفضل packing بدقة أصلية ودمج نوى CUDA، التدريب بيصير أسرع بحوالي 2.5 مرة، والنسخة Turbo بتولد صورة بدقة 1024×1024 بأقل من ثانية على بطاقة A100 وحدة. النتايج بتظهر إنو حتى مع حجم صغير، Mage-Flow بيقدر ينافس النماذج الكبيرة على معايير التوليد والتعديل.

الفريق حطّ إطار تفسير سببي للـ DiTs الكبيرة، بيخلط تفكيك الـ attention مع تدخلات موجهة على مجموعات التوكنات، الرؤوس، والطبقات. لقوا إنّو توكنات القالب البنيوية ما فيها معلومات مباشرة من النص، بس بتصير أهمّ نقاط جذب للـ image‑to‑text attention وبتحافظ على هوية الأجسام داخل النموذج، يعني بتشتغل كمسجلات معنوية ضمنية. بناءً على هالنتيجة صمموا قاعدة تقليم بدون تدريب، بتشيل الرؤوس اللي بتركّز على توكنات النص وتقلل 20٪ من FLOPs مع انخفاض بسيط بالـ GenEval. كمان بيّنوا كيف إنّو الحسابات التوليدية بتنظم بين الرؤوس والعمق، من تشكيل الهوية للانتشار والتحسين.

المقال بيحكي عن فجوة بين كتابة الكود باللغات الطبيعية (NL2Pipeline) وإنشاء خطوط بيانات ثابتة وقابلة للتعديل. الفريق قدم DataFlow-Harness، منصة بتوجه وكيل لغة كبير يبني DAGs (رسومات بيانية موجهة) عبر تغييرات مكتوبة ومحددة بدل ما يكتب سكريبتات حرّة. المنصة بتجمع بين DataFlow-Skills، طبقة Model Context Protocol اللي بتظهر سجل المشغّلات وحالة الخط، وDataFlow-WebUI اللي بيوحد الحوار النصّي مع محرّر رسومي. على مجموعة اختبار فيها 12 مهمة هندسة بيانات، وصلت نسبة النجاح ل93.3%، وخفضت التكلفة 72.5% والوقت 49.9% مقارنةً بـ Vanilla Claude Code.

الفريق قدم AlayaWorld، نموذج فيديو عالمي تفاعلي يقدر يولّد فيديو بدقة 540p و720p بسرعة 24 إطار بالثانية. النموذج مبني على 15B video diffusion transformer وبيولد أجزاء قصيرة من الفيديو بطريقة autoregressive حسب مسار الكاميرا وتغيّر النص. استخدموا طريقة جديدة لتقليل الانجراف على المدى الطويل وتدريبهم على تاريخ متلفّ، وكمان طوّروا تقنية distillation لتقليل خطوات العينة من 30 لأربعة لكل جزء. على iWorld-Bench، AlayaWorld جاب أحسن نتيجة لتوليد طويل الأمد.

فريق Fang وزملاؤه اكتشفوا إنو نماذج اللغة الكبيرة بتنسخ نص كتير من المدخل بدل ما تحلّ المشكلة، خصوصًا لما يكون السياق طويل. هالنسخ المتكرّر بيصير أسوأ كل ما طول السياق وزاد الضوضاء اللي ما إلها علاقة بالمهمة. لإصلاح هالمشكلة، قدموا طريقة اسمها GEAR، بتضيف مكافأة على التثبيت بالدلائل المهمة وبتعاقب النسخ من المعلومات غير المفيدة. التجارب على كذا حجم نموذج وbenchmark رجعت تحسين متوسط الأداء بحوالي 4.6 نقطة، وكمان خفّفت من طول التفكير والنسخ الزايد.

الفريق Zhang وزملاؤه قدموا طريقة جديدة لتوليد بيانات تعديل الفيديو مباشرةً من عينات تعديل الصور باستخدام حقل تدفق زمني مُحَوَّل للبيكسل‑باري. الطريقة بتعتمد على خسارة تقليد النمط (modality mimic generation loss) وخسارة تقليد تعديل النمط لتقريب سلوك الفيديو والصورة عبر محاكاة متبادلة. كمان ضيفوا مهام حسّية مثل تقسيم التعبير الإشاري مع خسارة على مستوى الإشارة (latent‑level loss) وخسارة على مستوى الانتباه (attention‑level loss) لتخلي النموذج يتعلم تعديل المناطق المطلوبة بدون ما يحتاج أقنعة خارجية. التجربة أظهرت إن النموذج يقدر يتعلم تحرير الفيديو من بيانات بسيطة ومحدودة بس بفعالية.

الفريق اقترح ConsiSpace، إطار بيهتم بالاتساق الهندسي لتقوية الفهم المكاني بالفيديو. بنوا ذاكرة geometry-consistent memory فيها توكنات دليل ضمنية وإشارات هندسية واضحة، وبينظّموا الأدلة لتقليل الضياع. بعد التدريب المراقب، استعملوا UC-SSRL لتقوية الاستقرار بين المشاهد المختلفة باستخدام مكافآت للاتساق بالجواب والقياس والطوبولوجيا. التجارب على ثلاث Benchmarks (VSI‑Bench, OSI‑Bench, MMSI‑Video‑Bench) أظهرت تحسين متوسط 12.6 نقطة على أقوى النماذج السابقة.

فريق الباحثين قدموا Open‑AoE، إشي مجموعة بيانات إيغو‑سنتريك للمنوال فيها تقريباً 2000 ساعة فيديو من بيئات طبيعية، جمعوها أكتر من 500 مساهم باستخدام أكتر من 400 موبايل. البيانات فيها توضيحات نصية، أوضاع إيدين مبنية على MANO، مسارات الكاميرا، وإجراءات ذرية محددة زمنياً. كمان ضموا توليتشين بيحوّل التسجيلات الخام لعينات منظمة عبر تقطيع الإجراءات، توضيح دلالي، وإعادة بناء إيدين وكاميرا. وبالإضافة لهالشي، وفّروا أدوات لتصوّر، نقل للروبوتات، وتحويل للبيانات لتدريب سياسات VLA، WAMs، وعوالم نماذج (World Models).

الفريق قدم نسخة سريعة من AlayaRenderer اسمها AlayaRenderer-Flash، اللي بتحوّل النموذج الأصلي من 0.56 إطار للثانية لحد 31.54 إطار للثانية. هالنسخة بتشتغل كـ few-step autoregressive streaming model وبتستعمل lightweight distilled codecs لتشفير الإطارات وإعادة بنائها. مع إنها أخف وأسرع، بتحتفظ بواجهة الـ G‑buffer وتوليد النصوص، وبتقدر تشتغل على تدفقات غير محدودة من البيانات.

الفريق قدموا MeetingToM، معيار جديد بيقيس قدرة النماذج الكبيرة المتعددة الوسائط على فهم سلوكيات الناس بالاجتماعات اللي فيها أكتر من شخص. التركيز كان على حالات معقدة مثل "pseudo-consensus"، يعني الاتفاق الظاهر اللي ممكن يكون فيه خلاف خاص تحت ضغط الجماعة. التقسيم بهالمعيار بيصعد من توقع الحالة الذهنية لشخص واحد، ليفهم مين موجه الكلام، لحد ما يوصل لتقييم الاتفاق الجماعي. التحليل أظهر إن النماذج الحالية ما بتدمج الإشارات غير الكلامية بشكل كافي، ولا بتفكّ الشكوك بين الظاهر والباطن.

الفريق قدم إطار RLAES اللي بيجمع بين تقييم المقالات وتوليد الملاحظات باستخدام التعلم المعزز. حطوا طريقة جديدة لتقييم جودة الملاحظات اسمها Rubric-based Feedback Evaluation (RFE) فيها 166 بند تقييم ثنائي، واستخدموا LLM كحكم. كمان طوّروا Adaptive Gated Feedback Optimization (AGFO) لتفعيل مكافآت الملاحظات حسب الحاجة، وAdjacent Contrastive Reasoning (ACR) لتحسين معايرة الدرجات. التجارب على معيار ASAP أظهرت إن RLAES‑AGFO وصل لأعلى دقة بين طرق الـLLM (QWK = 0.803) وبنفس الوقت جودة ملاحظات قريبة من GPT‑5.5.

الفريق اللي بيضم Grace Hui Yang وزملاؤه بيحكي عن الأنظمة الوكيلة المبنية على LLM يلي فيها قدرة على التفكير، التخطيط، التنفيذ، والتنسيق مع أدوات ووكلاء تانيين. الورقة بتوضح إنو هالأنظمة عم تنتقل بسرعة من النماذج التجريبية للانتشار الفعلي بمجالات متل هندسة البرمجيات، الاكتشاف العلمي، والمالية. كمان بيستعرضوا تحديات جديدة بالاعتمادية والسلامة وكيفية التعامل معها عبر أنماط تصميم، قوائم تقييم، وآليات فحص. وفيه دراسات حالة عملية بمجال اكتشاف الأدوية والأنظمة المالية لتوضيح كيف بنقدر نضمن تشغيل آمن وموثوق.

الفريق Qian وزملاؤه قدموا AdaFlash، طريقة جديدة لتسريع استنتاج نماذج اللغة الكبيرة. الطريقة بتستغل مسودات الانتشار لكن بتعالج مشكلة التباين اللي بتصير بسبب الانتباه الثنائي الاتجاه، عن طريق تقطير على‑السياسة مع تقليل KL العكسي وتعديل طول السلسلة بشكل ديناميكي. النتيجة إن السرعة بتزيد، خصوصًا لما يشتغل النظام على طلبات كتيرة بنفس الوقت، وبيوصلوا لزيادة تقريبًا 66 % في معدل الإنتاج مقارنةً بأفضل الطرق السابقة.

الفريق قدم نموذج لغة صوتية بيقدر يجاوب على أسئلة مع توقيتات دقيقة داخل تسجيلات طولها لحد 120 دقيقة. الطريقة بتخلط علامات زمنية دورية مع توكنات الصوت المستمرة، وتستفيد من إشراف صناعي على نطاق كبير عبر خط أنابيب متسلسل. النموذج بيظهر دقة عالية في ربط الكلام بالوقت على مجموعات اختبار قصيرة وطويلة، وكمان بيدعم وصف وتلخيص أجزاء الصوت المرتبطة بالوقت. الباحثين عملوا تجارب تفصيلية ليشوفوا كيف بتأثر تمثيلات الوقت وتكرار العلامات وتجزئة التوكنات على الدقة وتكلفة الحوسبة.

الفريق قدم إطار قوي لكشف الغش بالبيانات المالية، بيستغل Large Language Models ليجمع بين الأرقام المالية المنظمة والنصوص الموجودة بتقارير الشركات. حطّوا benchmark جديد اسمه Company-Isolated FSFD (CI‑FSFD) بيقيس قدرة النموذج على التعميم على شركات ما شافها قبل أو فترات مستقبلية. كمان بنوا مجموعة بيانات أمريكية تشمل القوائم المالية، نصوص MD&A، وعلامات الغش، ونشروا إياها للكل. التجربة أثبتت إن دمج النصوص مع البيانات المنظمة يرفع الدقة ويعطي أفضل نتيجة على مهمة CI‑FSFD.

الباحث ألكسندر مانيڤ بيستكشف كيف ممكن نضبط نماذج اللغة الكبيرة وقت الاستنتاج عشان ما تعطي إجابات متباينة بين اللغات. جربوا أربع طرق: توجيه الشخصية (persona prompting)، تعديل التمثيلات الداخلية عبر Contrastive Activation Addition، وتعديل وزن النموذج بخفة باستخدام Direct Preference Optimization المدرب على بيانات واقعية. التجارب على Gemma 3 12B Instruct بيّنت إن توجيه الشخصية هو الأقوى، لأنه بيوصل لتوازن بين الفعالية والسلامة ونقل المعرفة للمواضيع الجديدة.

الفريق بقيادة Thomas MacDougall وزملاؤه بيستكشف إذا الـ LLMs يقدروا يتعاملوا مع قيود ثلاثية الأبعاد لتصميم جزيئات دوائية. حطوا اختبار اسمه 3D‑Fit لتقييم أداء الـ LLMs مقارنةً بنماذج diffusion المتخصصة، وشملوا قيود مثل الفراجمنتات المربوطة ونقاط الفارماكوفور والتفاعلات الضرورية. النتائج بتظهر إن الـ LLMs لسا متأخرة شوي عن أحسن الطرق، بس بتبين قدرة على معالجة قيود متعددة بنفس الوقت.

الفريق قدم طريقة جديدة اسمها Off-Context GRPO (OC‑GRPO) لتقوية قدرة نماذج اللغة الكبيرة على حل المسائل الصعبة. الفكرة إنو بنعطي للنموذج إرشاد خاص خلال التدريب، مثل بادئة الحل، بس بنحافظ على الهدف الأصلي من غير هالإرشاد عن طريق تعديل الـ objective بطريقة importance‑corrected. هالتعديل بيخلّي التدريب يظل ثابت وما يضيع مع الإرشاد، وبيوصل النموذج لحلول فيها مكافأة غير صفرية. التجارب أظهرت تحسين بـ 3.9٪ مطلق على benchmarks الرياضيات مقارنةً بـ GRPO العادي، وبكلفة إضافية قليلة.

الفريق Jungo وزميله An استكشفوا كيف إنو تضمين خطوات التفكير (reasoning trace) داخل ردود النموذج بيأثر على جودة الترجمة. جربوا حذف هالخطوات إما أثناء التدريب أو أثناء الاستنتاج، ولاحظوا إنو وجودها وقت الاستنتاج بيحسن الترجمة. بس هالتحسين بيجي مع زيادة عدد الكلمات المولدة، فصاروا يدرسون التوازن بين استهلاك الموارد وتحسين الجودة.