شو في AI؟ | تجميع الأسبوع 10 أكتوبر — قياس عدم اليقين والكفاءة

الفريق Hauck وزملاؤه بنوا اختبار سؤال‑جواب بالألمانية على عالم لعبة الطاولة The Dark Eye، عشان يجرّبوا كيف بيأثر اختيار لغة التفكير على نظام RAG. لقوا إنو إذا خلو النموذج يفكر بالألمانية، اللي هي لغة السؤال والوثائق المسترجعة، بتحسّن الدقة مقارنةً إذا إجبروا إياه يفكر بالفرنسية. حتى لو النموذج أحسن بالفرنسية، الفائدة جاية من التوافق مو من إتقان اللغة. بس الأداء بالألمانية ما وصل لدرجة التفكير الأصلي بالإنجليزي، يعني لازملنا قدرة متعددة اللغات طبيعية.

الفريق قدم طريقة اسمها U‑Space بتخلّي عدم اليقين بالـLLM يكون قابل للقياس والتفسير على مستوى كل كلمة. بيوصلوا للـU‑Lens اللي بيرسم خريطة عدم اليقين للـtokens بدون ما يحتاجوا لعلامات صحة أو توليدات متعددة أو تدريب إضافي. الطريقة بتستند على ربط مفاهيم بشرية مثل الشكّ واليقين بحالات داخلية للموديل، وبتحوّلها لbasis orthogonal لتقييم الثقة. التجارب على مجموعات قياس التفكير أظهرت إنّ الـconfidence score تبعهم بيتفوق على الأساليب التقليدية، حتى لو ضبطنا طول الجمل.

الفريق قدم Memento 3، طريقة تخلي وكيل LLM ثابت يقدر يتعلم نموذج عالم من خلال دفتر قواعد نصّي بالذاكرة الخارجية. الوكيل بيسجّل فرضيات عن ديناميكيات البيئة بكتاب القواعد، وبعدين يحوّله لكود تنفيذي للتنبؤ والتخطيط. كل ما يصير فيه خطأ توقع، الوكيل بيرجع يراجع الكتاب، يحدّث الكود، ويتأكد إن الكود يتماشى مع الكتاب قبل ما يستخدمه. التجربة على مجموعة ألعاب ARC-AGI-3 أظهرت إنه يقدر يخلص كل المستويات وبكفاءة أعلى من البشر.

الفريق قدم إطار عمل training‑free اسمه Meta‑Cached Sparse Attention (MC‑Sparse) بيختار توكنات KV بشكل فردي وبينظم الاستعلامات بمجموعة متراصة لتسريع التنفيذ على الـGPU. بيخزن الميتاداتا من اختيار التوكنات واحتمالات الانتباه الدقيقة وباقي الفروقات بين الانتباه الكثيف والمتفرق، وبيعيد استخدامها خلال خطوات التنقية اللاحقة. التجارب على موديلات الفيديو والـ3D أظهرت إن MC‑Sparse يحقق جودة أقرب للانتباه الكثيف وسرعات أعلى من الطرق المتفرقة الحالية بدون ما يبين أي تدهور واضح في الجودة.

الفريق قدم AgenticBBO-Bench، بنشمارك عبّّر عن أداء وكلاء الـ LLM في تحسين الصناديق السودا عبر خمس مجالات: دوال صناعية، تحسين معلمات النماذج، ضبط قواعد البيانات، تصميم الرقائق، وتصميم الجزيئات. التجارب بيّنت إن الوكلاء يحققوا درجات أعلى من الطرق المباشرة المبنية على LLM وبأداء أفضل من أغلب المحسّنات العددية. كمان درسوا ثلاث عوامل بتأثر على أداء الوكيل: الأدوات العددية، معلومات المهمة والمعرفة السابقة، ودور الـ LLM خلال البحث. أخيرًا، حطوا تحدّي جديد بخمس مهمات وقيموا سبع نماذج LLM تحت Codex agent harness، ولاقيوا إن GPT-6 Astra وDeepSeek‑V4.1‑Flash واقفين على خط بارايتو من حيث الأداء والتكلفة.

الفريق Liu وزملاؤه قدموا FreeMatching، إطار عمل بيجمع بين تمثيلات الـ generative والـ semantic foundation مع إشراف متنوع من بيانات تقليدية، فيديوهات متتبعة، ومشاهد صناعية. الطريقة بتستفيد من teacher‑guided iterative refinement لتصحيح المطابقة في سيناريوهات الـ IEG حتى بدون وجود تعليقات كثيفة. التجارب أظهرت إن نموذج واحد من FreeMatching بيحسّن جودة المطابقة على أزواج الصور الصعبة وبيظل منافس على benchmark الكلاسيكية، وكمان بيشتغل كمقياس كمي لتقييم حفظ الهوية.

هالورقة قدمت OneSearch-VL، وكيل بحث بصري موحد بيشتغل على صور وفيديوهات. الوكيل مبني على Visually Grounded Evidence Graph (VGEG) اللي بيسجّل الروابط بين العناصر البصرية، العلاقات، والحقائق، وبيستعمله لتوليد بيانات تدريب وتقييم. فريق الباحثين جمعوا مجموعتين للـ SFT والـ RL، وصمموا مكافأة Evidence‑aware Visual‑Grounded Rubric (EVGR) لتوجيه التتبع البصري أثناء التدريب. التجارب وضحت إن OneSearch-VL-8B يتفوق على Qwen3-VL-8B بأكثر من 20 نقطة على Benchmarks الجديدة وكمان على سبع Benchmarks للصور والفيديو.

هالورقة بتقدّم GeoReform، إطار بيشتغل على تحسين طريقة تحويل المعلومات الهندسية من الرسومات لنصوص يقدر الموديل يفهمها. الفكرة إنو ما بنترك التحويل ثابت، بل بنعاملها كسياسة بنطوّرها بعد ما نشوف الأخطاء بالتحليل. النظام بِصير يجمع الأخطاء، بِظبط العيوب، وبعدين بيعدّل الطريقة لتختار وتربط الكيانات والعلاقات الهندسية بطريقة أنضف. التجربة على مجموعة Geometry3K ورّيت إنو الدقة ارتفعت من 42% لـ56%.

الفريق اكتشف إنو الـ KV states بين الحلقات بالـ looped Transformers شبه متطابقة، فاستغلوا هالشي لتقليل حجم الذاكرة. طوّروا طريقة اسمها ResidualQuant، بتخزن حالة الحلقة الأخيرة كمرجع وتمثّل باقي الحلقات ب residuals بدقة منخفضة مع عمليات scaling وrotations. هالطريقة بتوصل لتقليل تخزين KV بـ80.7% وتخلّي الدقة قريبة من BF16 حتى مع INT2، ومع تحسينات الذاكرة بتزيد سرعة الاستنتاج بأكثر من 2× للدفعات الكبيرة.

الفريق Xie وزملاؤه قدموا OuroWorld، إطار بلا أقنعة بيحوّل أي مشهد ثابت مبني على Gaussian Splatting إلى سينماغراف ثلاثي الأبعاد بيحرك المشهد من كل زاوية وبشكل حلقي. بيستعملوا نموذج رؤية‑لغة لتخمين الحركة المعقولة، وبعدين نموذج فيديو لتوليد فيديو مرجعي بنرفعوه ونكمّله لعدة مناظير. الطريقة الجديدة Inconsistency‑Robust Periodic 4DGS بتعتمد على حقل تشوه بسلسلة فورييه لضمان الحلقة، ومع Grounded Drift Field بتعالج التناقض بين المناظير. التجارب على 39 مشهد بتظهر تفوق OuroWorld على كل الأساليب السابقة بمقارنة المستخدمين.

الفريق قدم RLHND، نموذج بيستغل فيديوهات إيغوسنتريك لتتبع يد الإنسان مع تقدير وضعية اليد ومعلومات اللمس الواقعية. بيحوّل شبكة Cosmos 3 المدربة مسبقًا إلى مستخرج مميزات ثابت على مستوى المقاطع، وبيضيف تدفق خبرة لمسية لتوقع نقاط الاتصال والقوة على سطح اليد. النموذج بيحافظ على شكل اليد عبر الفيديوهات وبيوصل أداء أعلى على معايير التتبع واللمس، وكمان أثبت فائدته في تجارب الروبوتات الحقيقية.

الفريق اللي بيضم Hongxing Li وزملاؤه قدموا SpaceCast-Bench، أول benchmark بيقيس قدرة النماذج على توقع المشهد قبل ما يتغيّر، مو بس يقرأ العلاقات الظاهرة. الاختبار فيه 3,862 سؤال من 182 مشهد حقيقي، مقسّم لثلاث مستويات من الفهم: perception الساكن، توقع محلي، وتوقع عالمي. جربوا 21 نموذج ولاحظوا فجوة واضحة؛ أقوى نموذج وصل لـ58٪ مقارنةً بـ87٪ للإنسان، والنماذج المتخصصة بالمكان تقريباً عشوائية. بعد ما عدّلو النموذج Qwen3-VL-4B على بياناتهم، ارتفع الأداء من 34٪ إلى 65.7٪ وشاف تحسين على ست Benchmarks تانية.