AI FRONTIER
Signals worth understanding before they become obvious.
نموذج جديد على OpenRouter: Particle-1 من Particle AI
Particle-1 هو نموذج برمجة وكيلي موفّر للرموز من Particle AI، دُرّب لاحقًا على DeepSeek V4.1 Flash، ويستهدف سير العمل في الطرفية وتعديلات قواعد الشيفرة ومهام هندسة البيانات، مع رموز استدلال واستدعاء أدوات أقل بكثير ودقة قريبة من النموذج الأساسي.
- السعر 0.25 دولار لكل مليون رمز إدخال و1.00 دولار لكل مليون رمز إخراج، وقراءة الذاكرة المؤقتة 0.03 دولار لكل مليون.
- نافذة السياق 1,048,576 رمزًا وتدعم حتى 131,072 رمز إكمال.
- يقبل tools وtool_choice لاستدعاء الدوال ويدعم المخرجات المهيكلة عبر JSON schema في response_format.
- يقبل النص والصور كإدخال ويعيد النص؛ تاريخ الإصدار 28 أكتوبر 2026.
بالنسبة للفرق التي تبني وكلاء برمجة، يقدّم Particle-1 سعرًا منخفضًا لكل رمز وسياقًا بحجم 1M يستحق التجربة، لكن ادعاء الدقة القريبة من النموذج الأساسي يحتاج إلى تحقق مستقل.
Polymathic AI وباحثو Princeton يطلقون FlashMap، مُسوّد خريطة تدفق يسرّع فك ترميز نماذج اللغة الكبيرة 6.14 مرة
أطلق باحثو Polymathic AI وPrinceton نظام FlashMap، وهو مُسوّد خريطة تدفق لفك ترميز نماذج اللغة الكبيرة، ويُفيد ملخص الورقة بتحقيق تسريع في فك الترميز بمقدار 6.14 مرة.
- يُفيد ملخص الورقة بأن FlashMap يحقق فك ترميز لنماذج اللغة الكبيرة أسرع 6.14 مرة.
- يُوصف FlashMap بأنه مُسوّد خريطة تدفق.
- العمل من إعداد Polymathic AI وباحثي Princeton.
بالنسبة للفرق التي تبني حزم الاستدلال، يستحق تسريع فك الترميز القائم على المُسوّدات الاختبار على نماذجها الخاصة للتأكد مما إذا كان الرقم المبلغ عنه 6.14 مرة يتكرر على أحمال عملها.
NVIDIA Nemotron 3.5 Transcribe وGranary v2: نسخ متعدد اللغات قابل للتوجيه والتكييف
أصدرت NVIDIA نموذج Nemotron 3.5 Transcribe مفتوح الأوزان الذي يجمع النسخ وتحديد المتحدثين والترجمة والأسئلة والأجوبة الصوتية في نقطة تحقق واحدة، إلى جانب خط بيانات Granary v2 ووصفات الضبط الدقيق NeMo Speech.
- ينسخ النموذج 40 لغة، ويترجم 31 لغة من الإنجليزية وإليها، ويحدد المتحدثين في 13 لغة، ويتعامل مع تسجيلات تصل إلى ساعة واحدة وما يصل إلى ثمانية متحدثين.
- يحتل المرتبة الأولى بين النماذج مفتوحة الأوزان في Hugging Face Open ASR Leaderboard للإنجليزية بمتوسط WER قدره 5.33%.
- في Artificial Analysis يتقاسم المرتبة الأولى بين النماذج مفتوحة الأوزان بنسبة AA-WER قدرها 2.8% مع نحو 4B معامل نشط، مقابل 24B للنموذج الذي يتقاسم معه المرتبة.
- تغطي قائمة Granary v2 العامة 463,062 ساعة عبر 48 لغة و16 مجموعة بيانات مصدر، ارتفاعًا من 25 لغة في Granary v1.
يمكن للمطورين توجيه صيغة المخرجات عبر أوامر نصية باللغة الطبيعية، ثم تكييف المفردات المتخصصة عبر Granary v2 ووصفات NeMo Speech، بما يجمع بين تغطية متعددة اللغات واسعة ودقة متخصصة على نموذج مفتوح الأوزان.
انكشاف ذاكرة KV المؤقتة بين الطلبات في نموذج GLM-5.3 Workers AI، ومعالجتنا باستخدام SGLang
تقرير مدونة Cloudflare عن انكشاف ذاكرة KV المؤقتة بين الطلبات في نموذج GLM-5.3 Workers AI، ويصف معالجة باستخدام SGLang.
- المصدر هو مدونة Cloudflare.
- المشكلة هي انكشاف ذاكرة KV المؤقتة بين الطلبات في نموذج GLM-5.3 Workers AI.
- تستخدم المعالجة SGLang.
على المطورين الذين يشغّلون GLM-5.3 على Workers AI تدقيق عزل ذاكرة KV المؤقتة وتقييم المعالجة باستخدام SGLang.
OmniBrain-0: نموذج وكيلي موحّد للذكاء المُجسَّد
يقدّم فريق Xiaomi Embodied Intelligence نموذج OmniBrain-0، وهو وكيل مُجسَّد موحّد وخفيف ينسّق بين التلاعب والملاحة عبر نموذج قرار عالي المستوى مشترك، ويدمج فهم المهمة والتخطيط وتتبّع التقدّم والاستعادة المدفوعة بالتغذية الراجعة. يجمع إطار التدريب التدريجي الخاص به بين التدريب المُجسَّد المسبق، وتقطير وكلاء متخصصين حسب ...
- تذكر الورقة تقييم OmniBrain-0 على LIBERO-Pro وLIBERO-Plus وRoboCasa365 وRoboTwin 2.0 وR2R-CE Val-Unseen، إضافة إلى مهام تلاعب متعددة في العالم الحقيقي.
- تذكر الورقة أن OmniBrain-0 يمتلك عبئًا استدلاليًا وتنفيذيًا أقل بكثير من معلّمه مغلق المصدر.
- يجمع إطار التدريب بين التدريب المُجسَّد المسبق، وتقطير وكلاء متخصصين حسب المجال، والتقطير متعدد المعلّمين وفق السياسة (MOPD).
- تستخدم Rubric-Guided Recursive Self-Improvement (RSI) وكيلًا وصفيًا لتحويل أدلة التنفيذ إلى معايير تقييم محسّنة وتذكيرات على مستوى الخطوات ومسارات موثّقة.
بالنسبة للفرق التي تبني وكلاء مُجسَّدين، يُظهر هذا العمل أن تقطير خبرة التفاعل من عدة معلّمين في نموذج قرار مدمج واحد يمكن أن يقلّل عبء الاستدلال مع الحفاظ على الأداء عبر المجالات.
إصدار MiniMax-M3.1-Flash: نموذج MoE متعدد الوسائط أصلي بـ428B معلمة وسياق 1M رمز
أصدرت MiniMax نموذج MiniMax-M3.1-Flash، وهو نموذج mixture-of-experts متعدد الوسائط أصلي مبني على M3 بنحو 428B معلمة إجمالية و23B مفعّلة لكل رمز، يقبل مدخلات نصية وصورية وفيديو وينتج نصًا بنافذة سياق تصل إلى 1M رمز. وبالمقارنة مع M3، يطبّق الانتباه المتناثر في كامل النموذج، ويضيف تدريبًا واعيًا بالتكميم، ويستبدل نهج MTP...
- تشير بطاقة النموذج إلى نحو 428B معلمة إجمالية و23B مفعّلة لكل رمز واستخدام MiniMax Sparse Attention (MSA) في كامل النموذج.
- تفيد بطاقة النموذج بنتائج 76.2 على BankerToolBench و73.7% على DeepSWE v1.1 و61.7 على OSWorld V2 و29.6 على Agents' Last Exam و82.2 على CyberGym.
- ثلاثة تغييرات رئيسية: استبدال أول ثلاث طبقات انتباه كامل بانتباه متناثر، وتكميم خبراء MoE الموجّهين ومسارات الانتباه أثناء التدريب، وتضمين فك الترميز التخميني DSpark مع draft head.
- الترخيص هو minimax-community، ويُوصى بـSGLang أو vLLM أو TokenSpeed للتشغيل، بينما لا تزال تكاملات مثل Transformers قيد التنفيذ.
بالنسبة للمطورين، قد يقلل سياق 1M رمز مع الانتباه المتناثر والتدريب الواعي بالتكميم من الذاكرة وتكلفة الاستدلال لأحمال عمل الوكلاء ذات السياق الطويل، لكن 428B معلمة إجمالية تتطلب نشرًا متعدد وحدات GPU، وأرقام المعايير مُعلنة ذاتيًا في بطاقة...
LOTUS: كشف هلوسة النماذج اللغوية الكبيرة عبر التحليل المتعدد الخطوط منخفض الرتبة
تقترح الورقة LOTUS (Low-rank Order-statistic TUcker-based Subspace learning)، وهو إطار تحليل متعدد الخطوط منخفض الرتبة يستخرج تمثيلات مدمجة من الحالات المخفية للنماذج اللغوية الكبيرة مع تقليل الاعتماد على البيانات الموسومة، ثم يدرّب مصنّف هلوسة خفيفًا.
- تُلخَّص تمثيلات الرموز متغيرة الطول أولًا بوصفات إحصائية تكميلية تلتقط التنشيطات القصوى وتوزيعات التنشيط والتغيرات بين الطبقات.
- يستخرج التحليل المتعدد الخطوط منخفض الرتبة تمثيلات مدمجة لبنية الحالات المخفية لتدريب مصنّف هلوسة خفيف.
- تذكر الورقة تحسّنًا في كشف الهلوسة مقارنة بأحدث خطوط الأساس على عدة نماذج لغوية كبيرة ومعايير أسئلة وأجوبة.
- تقع الورقة في 26 صفحة مع 3 أشكال، وتوفر رابطًا للشيفرة.
بالنسبة للمطورين، يقترح هذا النهج استخراج إشارات من بنية الحالات المخفية عبر الطبقات وأوضاع السمات والرموز بدلًا من التنشيطات المختارة أو الضغط بالتجميع، ما يتيح كواشف خفيفة تُدرَّب ببيانات موسومة أقل.