AI FRONTIER
Signals worth understanding before they become obvious.
Tsinghua AI تفتح المصدر AKV، خادم هندسة التخزين المؤقت لوكلاء LLM على SGLang
فتحت Tsinghua AI المصدر AKV، وهو خادم هندسة تخزين مؤقت لوكلاء LLM مبني على SGLang. يضع ملخص الورقة هذا العمل حول مسائل قدرة النماذج اللغوية الكبيرة أو تقييمها أو مواءمتها، وهو مناسب للقراء الذين يتابعون الأساليب والنتائج التجريبية.
- فتحت Tsinghua AI المصدر AKV وتضعه كخادم هندسة تخزين مؤقت لوكلاء LLM.
- AKV مبني على SGLang.
- يذكر ملخص الورقة أن العمل يتناول مسائل قدرة النماذج اللغوية الكبيرة أو تقييمها أو مواءمتها.
بالنسبة لمن يبنون وكلاء LLM، يفصل AKV هندسة التخزين المؤقت في طبقة خدمة مخصصة على SGLang، ما يستحق الاختبار لإعادة استخدام التخزين المؤقت في مسارات استدلال الوكلاء.
ISTA-DASLab تنشر تكميمات GGUF غير موحّدة GSQ-RCO لـ DeepSeek-V4.1-Flash-1017
قامت ISTA-DASLab بتكميم نموذج MoE DeepSeek-V4.1-Flash-1017 البالغ 763.2B معامل و384 خبيرًا بدقة مختلطة لكل تنسور عبر GSQ وRCO، وأصدرت إصدارات GGUF قياسية هي IQ1_M (1.75 bpw) وIQ2_XXS (2.00) وIQ2_XS (2.25).
- النموذج MoE متناثر بـ 763.2B معامل، و384 خبيرًا موجّهًا لكل طبقة، و6 نشطة لكل رمز، ونافذة سياق 1M رمز.
- يحتوي GGUF العمودي على 551.9B معامل، وجداول بحث Engram بحجم 196.6B معامل عند IQ4_NL 4.50 bpw، وهي مشتركة بين جميع الإصدارات.
- الأحجام الإجمالية هي 231.32 GB لـ IQ1_M و248.84 GB لـ IQ2_XXS و265.83 GB لـ IQ2_XS، وتعمل الثلاثة على وحدة GPU واحدة بـ 12 GB من VRAM مع Strata.
- تفيد الورقة بأن IQ2_XXS يطابق النموذج الأساس على AIME25 (100.00) وGPQA-Diamond (90.91) وLiveCodeBench v6 (89.71)، بمتوسط مهام 93.54 واسترداد 100.0%.
لأن إصدار IQ2_XXS عند 2.00 bpw يطابق النموذج الأساس وفق الورقة على هذه المعايير الثلاثة، يمكن للمطورين تجربة MoE من فئة 763B محليًا على GPU بـ 12 GB مع ذاكرة النظام.
Self-Direction: تحويل أخطاء الوكلاء إلى دروس دائمة
تقدم الورقة آلية Self-Direction، حيث يتأمل الوكيل الذي يفشل في مهمة مساره الخاص لاستخلاص درس ويقطّره فورًا إلى محوّل منخفض الرتبة خفيف، مع إبقاء الأوزان الأصلية مجمّدة وتخزين المحوّلات في مكتبة دروس دائمة تُوجَّه تلقائيًا إلى مشكلات مشابهة لاحقًا.
- كل محوّل يدرّب معاملات إضافية تعادل نحو 0.02% من عدد معاملات النموذج الأساسي
- مع وكلاء مبنيين على نماذج مفتوحة الأوزان من عائلة Qwen، ترتفع معدلات النجاح الإجمالية من 8.9 إلى 17.0 نقطة مئوية على GAIA وClaw-Eval وTerminal-Bench 2.1
- تذكر الورقة أن Self-Direction يقلل الأخطاء المتكررة في المواجهات المستقبلية للمهمة، ويضاعف تقريبًا موثوقية تصحيحات الوكيل
- تذكر الورقة أن عددًا قليلًا من المحوّلات يعمّم على عشرات المهام الجديدة دون تدريب إضافي
لبنّائي الوكلاء، يوفّر تخزين الإخفاقات كمحوّلات منخفضة الرتبة قابلة للتوجيه مسار تحسين أكثر دوامًا من التأمل داخل السياق وأقل تكلفة من الضبط الكامل للمعاملات.
باحثون يقترحون معيار MMGR لاختبار قدرة الاستدلال لدى النماذج متعددة الوسائط
اقترح باحثون معيار MMGR لاختبار قدرة الاستدلال لدى النماذج متعددة الوسائط. ويهدف هذا المعيار إلى تقييم أداء النماذج متعددة الوسائط في مهام الاستدلال.
- اقترح باحثون معيار MMGR لاختبار قدرة الاستدلال لدى النماذج متعددة الوسائط.
- نقلت الخبر DoNews.
بالنسبة لمطوري الذكاء الاصطناعي، يوفر MMGR معياراً مخصصاً للاستدلال متعدد الوسائط، ما يتيح قياس ومقارنة أداء الاستدلال لدى نماذج متعددة الوسائط مختلفة.
التعاون مع المجتمعات الأكاديمية لبناء الفهم العلمي
تشارك OpenAI نتائج النماذج حول حدسية Kakeya وفرضية الزمن الأسي والكروموديناميك الكمي، وكيف يمكن للباحثين التحقق منها والبناء عليها.
- تشارك OpenAI نتائج النماذج حول حدسية Kakeya.
- تشارك OpenAI نتائج النماذج حول فرضية الزمن الأسي.
- تشارك OpenAI نتائج النماذج حول الكروموديناميك الكمي.
- تصف OpenAI كيف يمكن للباحثين التحقق من هذه النتائج والبناء عليها.
بالنسبة لمطوري الذكاء الاصطناعي، يوفر هذا حالات مخرجات نموذج قابلة للتحقق لتقييم الاستدلال في المسائل الرياضية والفيزيائية.
SyncVid: انتشار مكافئ للعالم لتوليد فيديو متزامن
يعتمد SyncVid على أخذ عينات من أولوية الضوضاء الغاوسية في فضاء ثلاثي الأبعاد قانوني مستخرج من الفيديو المصدر ثم تحويلها إلى كاميرات الهدف، بدلاً من أخذ العينات بشكل مستقل في كل مستوى صورة ثنائي الأبعاد. ترفع الطريقة فيديو أحادي العين إلى تمثيل رباعي الأبعاد قانوني وتضيف إجراء تبييض متسق بين المشاهد، مستخدمةً الضوضاء ال...
- ترفع الورقة فيديو أحادي العين إلى تمثيل رباعي الأبعاد قانوني، وتربط الضوضاء بهندسة المشهد والفضاء غير المرئي، ثم تحوّل الضوضاء المهيكلة الناتجة إلى مشاهد اعتباطية.
- تقترح الورقة إجراء تبييض متسق بين المشاهد يزيل الارتباط بين البكسلات المتجاورة مع الحفاظ على التناظر بين المشاهد.
- تعمل الضوضاء المهيكلة كأولوية انتشار لنموذج انتشار فيديو مُدرَّب مسبقاً ومُكيَّف بـ LoRA، دون الحاجة إلى تعديلات معمارية.
- تفيد الورقة بأن SyncVid، عبر فرض التماسك الزمكاني والتماسك بين المشاهد عند مصدر العشوائية، يولّد فيديوهات متزامنة ويحسّن الجودة الإدراكية والاتساق بين المشاهد في تجاربه.
لمن يبنون توليد فيديو متعدد المشاهد، يُظهر SyncVid أن تثبيت عشوائية الانتشار في فضاء ثلاثي الأبعاد قانوني يمكن أن يحسّن الاتساق بين المشاهد دون إعادة تصميم معمارية الانتشار.
PaperFormalizer: الصياغة الآلية لأوراق البحث في Lean مع إبقاء المؤلف في الحلقة
PaperFormalizer خط أنابيب وكيلي قائم على Lean يبدأ من مصدر LaTeX للورقة، وينسخها إلى رسم بياني للاعتماديات بين العبارات، ويدقق كل عبارة باللغة الطبيعية من حيث الأمانة والغموض والصحة، ثم يصيغ العبارات ويبرهنها في Lean مقابل Mathlib ومكتبات مجال اختيارية ومجموعة أدوات المؤلف الشخصية.
- قُدّمت الورقة إلى arXiv في 22 أكتوبر 2026 بالرقم arXiv:2610.31810 (cs.AI، وإدراج متقاطع cs.LO).
- يبدأ خط الأنابيب من مصدر LaTeX، وينسخ الورقة إلى رسم بياني للاعتماديات بين العبارات، ويدقق كل عبارة باللغة الطبيعية.
- تُجرى الصياغة والبرهنة مقابل Mathlib ومكتبات مجال اختيارية ومجموعة أدوات المؤلف الشخصية.
- عندما تحتمل العبارة أكثر من قراءة واحدة، يتوقف خط الأنابيب ويسأل المؤلف، ويعرض كل إصلاح باللغة الطبيعية ورموز TeX كاقتراح يمكن للمؤلف قبوله أو رفضه أو إعادة توجيهه.
لمن يبنون أدوات الذكاء الاصطناعي الرياضي، يُظهر PaperFormalizer نمط إبقاء المؤلف في الحلقة الذي يتوقف عند الغموض ويترك القرار للمؤلف، ما يحفظ تحكم المؤلف حيثما يمكن أن تغيّر الصياغة ما تدّعيه الورقة.