📡 أحدث عدد

شو في AI؟ | تجميع ٣ أكتوبر — النماذج بتتعلّم من حالها وبتشتغل فريق

أسبوعي مكثّف 📅 2026-10-03
في أسابيع بتحسّ فيها إنه الأوراق بتحكي مع بعضها. هاد واحد منها — خيطان بارزان، وكلاهما بيسأل نفس السؤال من زاوية مختلفة: كيف نخلّي النظام يتحسّن بلا ما نمسك إيده؟

الخيط الأول: النماذج صارت تدرّب حالها. Where-OPD بتولّد مشاهد اصطناعية وبتتعلّم منها بلا بيانات واقعية، ودراسة التقطير بتقارن إمتى يتعلّم النموذج من نفسه وإمتى من معلّم خارجي، وInterEvolve بتخلّي الروبوت يعدّل مكافأته وقت الاختبار نفسه. الفكرة مغرية — وفخّها اسمه انهيار النموذج، وشرحناه بمقالة البيانات الاصطناعية.

والخيط التاني أصعب: كيف يشتغل الوكلاء فريقاً مش كلّ واحد لحاله. ورقة تنسيق الوكلاء بتحلّ التصادم بتنقية نوايا كل وكيل قبل ما يتحرّك — بلا قائد يوزّع الأدوار. وArgo-Bench بتختبر وكلاء البيانات على سير عمل شركات حقيقي، وهاد بيفتح سؤالاً بنحبّه: قدّيش اختباراتنا إلها شبه بالواقع؟

وبالوسائط المتعددة: OneStreamer بتدمج الإدراك والذاكرة والاستجابة بوقت واحد، وEgoTools بتفهم الفيديو من منظور الشخص اللي بيصوّر، ومسح شامل لتوليد الفيديو بعد التدريب.
#1

OneStreamer: توحيد الإدراك والذاكرة والاستجابة الاستباقية في تفاعل الفيديو المتدفّق

OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video Interaction
الورقة بتقدّم OneStreamer، إطار بيوحّد مكوّنات الإدراك، والذاكرة، والاستجابة الاستباقية لتفاعل الفيديو المتدفّق. الفكرة إنه النظام يقدر يفسّر المشاهد بالفيديو، يحتفظ بالمعلومات عبر الذاكرة، ويستجيب بذكاء قبل ما يطلب المستخدم. هالنهج بيسهّل بناء تطبيقات تفاعلية أكتر سلاسة مع الفيديوهات الحية.
ليش بتهمّك؟: لأنّ دمج الإدراك والذاكرة والاستجابة بوقت واحد بيفتح باب لتطبيقات فيديو تفاعلية أكتر ذكاءً وتستجيب بسرعة لاحتياجات المستخدمين.
multimodal video streaming perception memory proactive response hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#2

التعلم على سياسات أو خارج سياسات؟ دراسة منهجية لديناميكيات التقطير

On-Policy or Off-Policy Learning? A Systematic Study of Distillation Dynamics
الورقة بتستكشف كيف بتأثر طريقة التعلم – سواء كان on-policy أو off-policy – على عملية التقطير بين النماذج، وبتقارن الديناميكيات اللي بتصير خلال التدريب. الهدف إنه نفهم أي طريقة بتعطي نتائج أفضل وأسرع بالتحكم بحجم النموذج.
ليش بتهمّك؟: هالمقارنة بتساعد الباحثين يختاروا الطريقة الأنسب لتقليل حجم النماذج بدون خسارة الأداء، وبتسرّع تطوير تطبيقات الذكاء الاصطناعي العملية.
distillation on-policy off-policy reinforcement learning hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#3

تحسين Transformers ب LoRA الصغير

Transformers Stop Thinking Too Early, and a Tiny LoRA Fixes It
الباحثين بيّنوا إنه نماذج Transformers أحياناً بتوقف عن التفكير مبكراً، وبيّعوا حل بسيط: إضافة LoRA صغير لتقوية الذاكرة. الطريقة هيدي بتخلي النموذج يظل يشتغل لفترة أطول قبل ما يطلع النتيجة، وبتحسّن الأداء بدون ما تحتاج موارد ضخمة. الورقة نُشرت كـ preprint على arXiv.
ليش بتهمّك؟: لأنّه حل خفيف الوزن بيزيد من جودة النماذج بدون تكلفة تدريب إضافية، فبيوفر وقت ومجهود للباحثين والمطورين.
transformers LoRA fine-tuning efficiency hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#4

InterEvolve: تطوّر برامج المكافأة وقت الاختبار للروبوتات البشرية

InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation
الفريق الباحثين قدموا InterEvolve، طريقة بتخلّي برنامج المكافأة يتغيّر خلال وقت الاختبار لتتكيّف مع مهام المشي والحركة المعقّدة للروبوتات البشرية. الفكرة إنّو بدل ما نحدّد المكافأة مرة وحدة قبل ما يبلّش الروبوت، بنسمح لها تتطوّر مع الظروف اللي بيواجهها الروبوت. هالطريقة بتساعد الروبوت يتعامل مع تحديات جديدة بدون ما نعيد تدريب النموذج من الصفر.
ليش بتهمّك؟: هالطريقة بتقوّي قدرة الروبوتات البشرية على التكيّف بسرعة مع بيئات غير متوقّعة، وبتقلّل الحاجة لإعادة تدريب مكثف.
robotics reinforcement learning humanoid reward shaping hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#5

EgoTools: نحو استدلال مركّز على الأدوات في فيديوهات إغو-سنتريك الواقعية

EgoTools: Towards Tool-Centric Reasoning in Real-World Egocentric Videos
الورقة بتستكشف فكرة إنه النماذج تقدر تفهم وتستدل على الأدوات اللي بيستخدمها الشخص بالفيديوهات اللي بتصور من منظور أول شخص، وبتقترح طريقة جديدة لتدريب النماذج على هالمهمة. التركيز بيكون على ربط الفعل بالأداة ضمن المشاهد اليومية الواقعية.
ليش بتهمّك؟: هالمقاربة ممكن تحسّن تطبيقات الفهم الآلي للفيديوهات اليومية وتخلي الأنظمة أذكى بالتعامل مع الأدوات اللي بنستعملها.
egocentric video tool reasoning computer vision hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#6

تجميع المكافآت مع مراعاة الكثافة لتقليل أثر الندرة في التعلم المعزز

Make Sparse Rewards Count: Density-Aware Reward Aggregation for Multi-Reward RL
الفريق اقترح طريقة جديدة لتجميع المكافآت في بيئات التعلم المعزز اللي فيها أكتر من هدف، بحيث يركزوا على كثافة ظهور المكافآت بدل ما يظلوا يتعاملوا مع الندرة. الفكرة إنّو إذا المكافآت نادرة، بنجمعها بطريقة ذكية لتقوي الإشارة اللي يتلقاها الوكيل. هالطريقة بتساعد الوكيل يتعلم أسرع ويستفيد أكتر من كل إشارة مكافأة، خاصةً إذا كان فيه أكتر من نوع مكافأة.
ليش بتهمّك؟: هالطريقة بتخلي نماذج التعلم المعزز تتعامل مع الندرة بشكل فعال، فبتحسّن الأداء بمهمات فيها مكافآت قليلة أو متفرقة.
reinforcement learning sparse rewards reward aggregation multi-reward RL hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#7

Where-OPD: توجيه مكاني لتعليم النماذج من مشاهد اصطناعية

Where-OPD: Spatially Guided On-Policy Self-Distillation of MLLMs with Synthetic Scenes
للأسف ما فيه ملخص متوفر للورقة، فما فينا نعرف تفاصيل الطريقة أو النتائج. العنوان بوضح إنه الباحثين بيجربوا تعليم ذاتي للـ MLLMs باستخدام مشاهد صناعية وتوجيه مكاني.
ليش بتهمّك؟: هالطريقة ممكن تحسّن أداء نماذج اللغة المتعددة الوسائط بدون الحاجة لبيانات واقعية كتيرة، وهذا بيسهّل تطوير تطبيقات أذكى وأرخص.
multimodal self-distillation synthetic-data on-policy language-models hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#8

E-MoE: تحسين Mixture-of-Experts لنماذج اللغة بالانتشار غير المفكك

E-MoE: Enhanced Mixture-of-Experts for Non-Factorized Diffusion Language Models
الورقة بتقدّم طريقة جديدة اسمها E-MoE لتقوية تقنية Mixture-of-Experts وتطبيقها على نماذج اللغة اللي بتستعمل diffusion بطريقة غير مفككة. الفكرة الأساسية إنه بيتم توزيع الشغل بين خبراء متعددين بطريقة أكتر فاعلية، وبيساعد هالشيّ النموذج يتعلم أسرع ويطلع نصوص أدق. المؤلفين ما حددوا تفاصيل إضافية بالملخص، بس العنوان بوضح إنه التركيز على تحسين الكفاءة والنتائج بالنماذج المنتشرة هالأيام.
ليش بتهمّك؟: إذا نجحوا، ممكن نلاقي نماذج لغة أسرع وأقوى بدون ما نحتاج موارد ضخمة، وهذا بيفتح باب لتطبيقات أوسع وأرخص.
Mixture-of-Experts diffusion language models efficiency hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#9

نماذج توليد الفيديو: مسح للـ Post‑Training والـ Alignment

Video Generation Models: A Survey of Post-Training and Alignment
هالورقة مسح شامل لأحدث نماذج توليد الفيديو، وتركّز على إشي اسمه post‑training وكيف ممكن نضبط النموذج بعد ما يتدرب. كمان بتحكي عن alignment، يعني كيف منضبط النموذج مع المتطلبات أو التوجيهات الجديدة. الباحثين جمعوا طرق مختلفة وصنّفوها لتسهيل الفهم على المجتمع.
ليش بتهمّك؟: بتعطي نظرة واضحة على كيف نطوّر نماذج الفيديو بعد التدريب، وبتسهل على المطوّرين اختيار التقنية الأنسب لتطبيقاتهم.
video generation survey post-training alignment multimedia hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#10

تدفق متعدد الوسائط: نمذجة موحدة للغة والرؤية في فضاءات التضمين

Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces
الورقة بتقدّم طريقة جديدة بتستعمل نماذج الـ flow لتوحيد تمثيل اللغة والصورة داخل فضاءات embedding. الفكرة إنه بدلاً من معالجة النص والصورة بنماذج منفصلة، بيتم تعلم تحويلات مستمرة بتربط بين الاثنين وبتسهل نقل المعرفة بين المجالين. هالنهج بيوفر تمثيل موحد يقدر يتعامل مع النصوص والصور بنفس الطريقة.
ليش بتهمّك؟: هالطريقة بتخلّي الأنظمة المتعددة الوسائط أدفع أسرع وأدق، وبتفتح باب لتطبيقات جديدة مثل البحث المتقاطع بين النص والصورة.
multimodal flow embedding language-vision representation hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#11

Argo-Bench: بنشمارك لتقييم الوكلاء البيانات على سير عمل الشركات

Argo-Bench: Evaluating Data Agents on Enterprise-Scale Workflows
هالورقة بتقدّم بنشمارك اسمه Argo-Bench لتقييم أداء الوكلاء البيانات ضمن سير عمل كبير بحجم الشركات. البنشمارك بيحاكي مهام معقّدة بتحتاج تنسيق بيانات وتكامل بين أدوات مختلفة، وبيقيس كيف الوكلاء يقدروا يتعاملوا مع هالمهام. الباحثين حطّوا مجموعة من السيناريوهات الواقعية لتكون مرجع للبحوث الجاية.
ليش بتهمّك؟: لأنه بنشمارك هاد بيساعد نعرف أي وكيل بيانات فعّال لتطبيقات الشركات الكبيرة.
benchmark data agents enterprise workflows evaluation hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
#12

تنسيق الوكلاء بلا قائد: تنقية النوايا بدل التصادم

Decentralized Master-Mind: Joint Action Refinement through Iterative Intent Denoising in Multi-Agent Pathfinding
هالورقة بتقدّم طريقة جديدة لتصحيح الأفعال المشتركة بين الوكلاء المتعددين، من خلال عملية تكرارية لإزالة الضوضاء عن النوايا. الفكرة إنه كل وكيل بيشتغل بشكل لا مركزي وبيحسّن قراراته خطوة بخطوة لحد ما يلاقي مسار واضح ومناسب. الطريقة بتعتمد على تعديل الأهداف (intent) بشكل مستمر لتقليل الأخطاء وتسرّع الوصول للهدف. الباحثين حطّوا التركيز على تحسين كفاءة البحث عن المسارات في بيئات معقدة.
ليش بتهمّك؟: لأنه تحسين تنسيق الوكلاء بيقلل التصادمات ويخلي الأنظمة الذكية تشتغل أسرع وأكفأ، خاصةً بالمجالات اللي فيها كتير وكيل بيتحرك سوا.
multi-agent pathfinding decentralized intent denoising coordination hf اقرأ المزيد ↗
💬 أضِف تعليقك
بيظهر بعد مراجعة المحرّر ✦
→ العدد السابقشو في AI؟ | تجميع الأسبوع 19 سبتمبر — تطورات Self‑Supervision المتعددة
📚 كل الأعداد