AI FRONTIER
Signals worth understanding before they become obvious.
Flint-interactive: لغة لإنشاء تصورات بيانات تفاعلية
أصدرت Microsoft Research لغة Flint-interactive المبنية على Flint، والتي تتيح لوكلاء الذكاء الاصطناعي تعريف النقر والتصفية والتكبير والإبراز والتفاعلات بين الرسوم البيانية عبر أحداث دلالية ومعاملات تحديث، مع تولّي مترجم Flint لمنطق التفاعل.
- تحوّل Flint-interactive المحفزات الأولية مثل النقر والسحب وضغط المفاتيح إلى أحداث دلالية تحدد عناصر الرسم البياني والبيانات.
- يحدد المستخدمون التفاعلات بربط الأحداث الدلالية بمعاملات تحديث الرسم البياني مثل set style وset annotation وset viewport دون التعامل مع علامات خاصة بمحرك العرض.
- يمكن استخدامها في بيئات الدردشة أو اللوحة عبر Flint-MCP وMCP Apps، حيث يستطيع الوكيل توليد interaction_spec إلى جانب مواصفة رسم Flint البياني.
- تتيح Flint Interactive Canvas للتطبيقات معالجة الأحداث الدلالية بمعالجات أحداث لتصفية جدول أو تحديث رسم بياني آخر أو تغيير حالة التطبيق.
بالنسبة لمطوري وكلاء البيانات، فإن إسناد منطق التفاعل إلى المترجم قد يقلل تكلفة الرموز والوقت في التوليد والتصحيح المتكرر للرسوم التفاعلية، ويحد من أخطاء التخطيط والتفاعل.
WorldStream: بث عوالم ثلاثية الأبعاد تفاعلية بتخطيط هرمي وحالة دائمة
تقدم الورقة WorldStream، وهو نموذج عالم ثلاثي الأبعاد مفتوح يوسّع التضاريس القابلة للعب بما يتجاوز أي خريطة محددة مسبقًا، ويستجيب للغة مفتوحة في العالم الجاري، ويستعيد الأماكن التي تمت زيارتها مع تعديلاتها. يُصدر مخطط هرمي فوق نموذج قرار مُنمّط حالة قرار مُهيكلة، ويُحوّل كود محلي حتمي الخطط المقبولة إلى تضاريس وطرق ومس...
- تذكر الورقة أن WorldStream يمتلك ثلاث قدرات متزامنة: توسيع التضاريس القابلة للعب بما يتجاوز أي خريطة محددة مسبقًا، والاستجابة للغة مفتوحة في العالم الجاري، واستعادة الأماكن التي تمت زيارتها مع تعديلاتها.
- يثبّت Macro بنية المستوطنات والبيئة والنقل والهيدرولوجيا عبر مجموعة من البلاطات، بينما يخصص Micro ذلك العقد إلى دلالات البلاطة في ظل تضاريس مقيسة والتزامات جوار مقبولة.
- يفصل البث نطاق الوصول: تعمل الخطط مسبقًا على طول الممر المتوقع، ويحدث التحويل فقط حيث ستحتاج الحركة إليه قريبًا، وتُحرَّر الهندسة خلف المستخدم.
- يحتفظ سجل عالم واحد بالخطط والبذور وهُويات الكائنات والحالة القابلة للتغيير والتزامات الحدود والتعديلات حسب السمة، ويُعدَّل مع تقدم المستخدم وتعديله، وتُعاد البلاطات العائدة التحويل منه.
بالنسبة للفرق التي تبني نماذج العوالم، فإن فصل التخطيط والتحويل وسجل الحالة الدائم مسار معماري ملموس لتحقيق التماسك بين البلاطات وقابلية التعديل في ظل ميزانيات محدودة.
عندما تصبح الأفكار ذاكرة: توحيد التعلم داخل السياق والضبط الدقيق
تقدم الورقة قاعدة موثقة، مبنية على قانون دقيق لقيمة المعلومات، لتحديد ما إذا كانت البيانات غير المرئية تنتمي إلى سياق نموذج مدرب مسبقًا أم إلى أوزانه، ويجري اختبار صالح في أي وقت هذا الاختيار من استعلامات محجوزة.
- تذكر الورقة أن الاختبار يختار الأفضل بين ذاكرة GPT-2 والضبط الدقيق في 61,948 من 64,000 تدفق استعلام عبر 32 مقارنة.
- تذكر الورقة أنه يخطئ في 3.3% على الأكثر من التدفقات الصفرية.
- تذكر الورقة أن رقعة واحدة ترى سمة شكل تقلص طول الشفرة لشبكة الإشغال هناك مئة ضعف، بينما ثماني رقع تفتقدها تكاد تضاعفه.
- تذكر الورقة أن التقييم في ادعاء بنعم أو لا يستعيد محكّم أدلة منشورًا، بمساحة تحت المنحنى AUROC تبلغ 0.91.
تتيح هذه القاعدة الموثقة للمطورين أن يقرروا من قياس واحد واستعلامات محجوزة ما إذا كان ينبغي أن تدخل البيانات السياق أم الأوزان، ما يقلل كلفة الاختيار بين التعلم داخل السياق والضبط الدقيق.
نموذج جديد على OpenRouter: Recursive: Flint (مجاني)
Flint هو نموذج mixture-of-experts مفتوح الأوزان من Recursive، يضم نحو 2.5B معامل نشط من إجمالي 40B، وبناه نظام البحث الآلي Eureka Machine التابع لـ Recursive لوكلاء البرمجة.
- إجمالي 40B معامل مع نحو 2.5B معامل نشط
- نافذة سياق تبلغ 262,144 رمزًا
- صدر في 21 أكتوبر 2026
- نقطة نهاية مجانية مع حدود للمعدل؛ تقبل أدوات لاستدعاء الدوال وتدعم response_format لإخراج JSON دون فرض JSON-schema
لمن يبنون وكلاء البرمجة، يوفّر Flint خيارًا مفتوح الأوزان بلا تكلفة مع 2.5B معامل نشط ونافذة سياق 262K للاختبار.
SimHack: التنبؤ ببدء اختراق المكافأة القابل للكشف قبل تدريب RL
تقدم الورقة SimHack، وهو محاكٍ يتعلم ديناميكيات تدريب اختراق المكافأة من عدد قليل من عمليات RL المرجعية الأصغر حجمًا ويولّد عمليات محاكاة مضادة للواقع لوصفات هدف لم تُرَ دون إعادة تدريب مكلفة، للتنبؤ بتوزيع خطوة بدء اختراق المكافأة.
- تذكر الورقة أن SimHack يتنبأ بخطوة البدء الوسيطة بخطأ نسبي 11.3% ويحقق ارتباط رتبي بين الوصفات قدره 0.85 على وصفات هدف لم تُرَ.
- يعمّم SimHack على الفروق في حجم النموذج والمنهج وعدد عمليات rollout ومعدل التعلم بين الوصفات المرجعية والهدف.
- كتطبيق، يفحص SimHack مناهج RL المرشحة ويكتشف مناهج على المجموعة نفسها من السيناريوهات تتدرب لمدة أطول بنسبة 96.6% دون اختراق.
- تجد الورقة أن معدل الاختراق الأولي وحده لا يحدد البدء، الذي يتفاوت بشكل كبير بين وصفات التدريب والتشغيلات المتكررة.
يمكن للبناة فحص المناهج مسبقًا باستخدام SimHack قبل تشغيلات RL المكلفة لاختيار وصفات أقل خطرًا بتكلفة منخفضة.
KVLearn: تعلّم الاحتفاظ بذاكرة KV المؤقتة لخدمة LLM المفكّكة
تقدم الورقة KVLearn، إطارًا قائمًا على التعلم للاحتفاظ بذاكرة KV المؤقتة المراعي للتكلفة في خدمة LLM المفكّكة، ويجمع بين Prefix Reuse Predictor (PRP) وCost-Aware Retention Score (CARS) وAdaptive Threshold Controller (ATC)، مع تقييمه على أحمال عمل نصية ومتعددة الوسائط.
- تذكر الورقة انخفاض زمن الوصول إلى أول رمز من الطرف إلى الطرف بنسبة تصل إلى 56% مقارنةً بـ No-Cache و38% مقارنةً بـ LRU-Pool و33% مقارنةً بخطوط أساس بأسلوب Mooncake.
- تذكر الورقة انخفاض حجم نقل KV بين العقد بنسبة تصل إلى 53% مقارنةً بـ LRU-Pool.
- على MM-Session، تبقى الإنتاجية ضمن نحو 5% من oracle.
- يقدّر PRP احتمال إعادة الاستخدام من سمات البادئة البنيوية والزمنية دون تعديل أوزان النموذج؛ وقد قُبلت الورقة في ACM SYSTOR 2026 والكود متاح.
بالنسبة للفرق التي تبني خدمة استدلال مفكّكة، يُظهر KVLearn أن إدماج تكاليف إعادة الحساب والنقل والتخزين في قرارات قبول الذاكرة المؤقتة يمكن أن يقلل زمن الوصول إلى أول رمز وعرض النطاق بين العقد دون تغيير أوزان النموذج.
MPS في PyTorch 2.15: دعم FP8 وفك ترميز MoE أسرع 5–6.5 مرة
يضيف PyTorch 2.15 تنسورات FP8 وضرب المصفوفات المجمّع الأصلي ونوى Metal مخصصة إلى خلفية MPS، ما يجعل فك ترميز نماذج MoE أسرع 5–6.5 مرة من 2.14 ويتطلب macOS 15 وPython 3.11 أو أحدث.
- تعمل تنسورات torch.float8_e4m3fn الآن على MPS ببايت واحد لكل قيمة، أي نصف مساحة التخزين مقارنة بـ FP16 أو BF16، ويدعم F.scaled_mm القياس على مستوى التنسور وعلى مستوى الصف.
- على M3 Ultra مع torch.compile، يرتفع Qwen3.6-35B-A3B من 9.4 إلى 61.3 tokens/s ويرتفع LFM2.5-8B-A1B من 23.6 إلى 123.6 tokens/s.
- عبر 96 شكل طبقة BF16 من نماذج حقيقية، يمنح ربط نوى GEMV بـ F.linear تسريعًا هندسيًا متوسطًا قدره 1.23×.
- تنخفض ذروة ذاكرة المشغّل في فك ترميز VAE الخاص بـ Wan2.2 من نحو 270 GiB إلى 8 GiB، وتنخفض softmax بدقة FP32 على صف logits بحجم [1, 128256] من 57 µs إلى 7 µs.
يمكن للمطورين على Mac تقليل الذاكرة بأوزان FP8 وتسريع فك ترميز نماذج LLM من نوع MoE والكثيفة، شرط الترقية إلى macOS 15 وPython 3.11.
ادعاءات كبيرة وهوامش صغيرة: هل تصمد مكاسب GraphLLM المُبلَّغ عنها أمام خطوط أساس بسيطة؟
تقارن الورقة أربعة ممثلين لخطوط الأساس، مضبوطين بالاختيار على مجموعة التحقق فقط، مع أعلى متوسط تبلغ عنه كل من ثلاث دراسات حديثة لطريقة قائمة على LLM على تقسيمات متطابقة، وتوثق مخاطر التقييم في الشيفرة المنشورة.
- يتخلف Correct & Smooth على ميزات TF-IDF عن المرجع بوسيط 2.3 نقطة مئوية، ويتخلف MLP على تضمينات e5-large-v2 المجمدة بـ 2.8 نقطة.
- يقع Correct & Smooth ضمن 3 نقاط من المرجع أو أفضل في 15 من 24 مهمة، لكن المرجع أعلى بشكل ملحوظ في 12 من 22 مهمة قابلة للاختبار.
- تختلف تقارير الطريقة نفسها على التقسيم نفسه بما يصل إلى 12.5 نقطة بين أوراق لم تُوثَّق تهيئاتها على أنها متطابقة.
على بناة خطوط تصنيف العقد في GraphLLM تشغيل خطوط أساس مضبوطة بـ TF-IDF وتضمينات مجمدة على التقسيمات نفسها، وتدقيق محمّلات البيانات وبروتوكولات الضبط قبل الوثوق بمكاسب أحدث التطورات المُبلَّغ عنها.