AI FRONTIER
Signals worth understanding before they become obvious.
Mage-VL-Cowork: وصفة تدريب كاملة لتعلّم الاستخدام الهجين للحاسوب من أُطر اختبار مُطوَّرة
تقدم الورقة Mage-VL-Cowork، وهو وكيل استخدام حاسوب هجين بحجم 4B دُرِّب من نقطة تحقق عامة متوائمة متعدد الوسائط عبر منهج تدريجي من خمس مراحل شامل للتدريب الوسيط وSFT وRL. ويولّد Mage-CUA-Forge 293,806 مهمة سطح مكتب وويب عبر 6,915 مهارة باستخدام سير عمل توليد قابلة لإعادة الاستخدام ومشروطة بالمهارة، ما يقلل النفقات المتك...
- Mage-VL-Cowork هو وكيل استخدام حاسوب هجين بحجم 4B دُرِّب من نقطة تحقق عامة متوائمة متعدد الوسائط.
- يستخدم التدريب منهجاً تدريجياً من خمس مراحل شامل للتدريب الوسيط وSFT وRL.
- يولّد Mage-CUA-Forge 293,806 مهمة سطح مكتب وويب عبر 6,915 مهارة.
- تذكر الورقة أن Mage-VL-Cowork-4B يبلغ 66.0% على OSWorld-Verified وتؤكد تحقيقه أداءً متقدماً عند حجم معاملاته.
بالنسبة للفرق التي تبني وكلاء على الأجهزة، تُظهر الوصفة أن توليد المهام القابل لإعادة الاستخدام والمشروط بالمهارة مع إطار معلّم مُطوَّر يمكن أن يوحّد تفاعل واجهة المستخدم الرسومية مع تنفيذ الشيفرة والطرفية في سياسة واحدة بحجم 4B.
mistralai/Mistral-Large-4-1T-A52B: إطلاق نموذج MoE متعدد الوسائط أصلي بتريليون معامل
أطلقت Mistral نموذج Mistral Large 4، وهو نموذج Mixture-of-Experts متعدد الوسائط أصلي بتريليون معامل و52 مليار معامل نشط لكل رمز، وطول سياق 1M، ودعم أكثر من 160 لغة بموجب Mistral Ecosystem Open-Weight License.
- نحو 1T معامل إجمالي / نحو 52B معامل نشط، مع 128 خبيرًا موجّهًا (4 نشطة لكل رمز) وخبير مشترك واحد
- يدعم طول سياق 1M وإدخالًا متعدد الوسائط أصليًا للنص والصورة مع مُرمِّز رؤية بأسلوب Pixtral
- تم تدريبه من الصفر على 3,800 وحدة GPU من NVIDIA Grace Blackwell في مراكز بيانات Mistral الخاصة في أوروبا
- يسجّل 48% على Artificial Analysis Coding Agent Index، وهو متعادل فعليًا مع النموذج الرائد مفتوح الأوزان GLM-5.3، مع استخدام أقل بنسبة 47% من الرموز لكل مهمة في المتوسط
لمن يبنون تدفقات عمل متعددة الوسائط ووكيلية، يوفّر هذا النموذج سياقًا بطول 1M واستدعاء دوال أصليًا بأوزان مفتوحة، لكن حجم التريليون معامل يتطلب نشرًا متوازيًا على عدة وحدات GPU، ويحتاج الاستخدام التجاري عبر MaaS إلى رخصة منفصلة.
AutoHebb: شبكات عصبية ذاتية التعديل تستنتج دون أمثلة وتتعلم باستمرار
تقدم الورقة شبكات هيبية ذاتية التحكم (AutoHebb)، وهي فئة من الشبكات العصبية الأمامية للتعلم عبر الإنترنت تجمع بين التغذية الراجعة الخارجية والنشاط المولَّد داخليًا لإنتاج إشارة تعلم عالمية (ناقل عصبي)، تتحكم بدورها في قاعدة تعلم هيبية محلية ثلاثية العوامل تحدّث الأوزان اللدنة. وباستخدام التعلم الفوقي للبحث عن أوزان ثاب...
- تذكر الورقة أن شبكات AutoHebb تنجح في مهام الاستنتاج دون أمثلة (ZI).
- تذكر الورقة قدرات ناشئة (غير مدربة) للاستنتاج دون أمثلة (ZI) والتعلم المستمر (CL).
- تذكر الورقة أن AutoHebb تقبل الهندسة العكسية إلى خوارزميات صريحة.
- تذكر الورقة أن AutoHebb تتفوق على نماذج التعلم الحديثة في مهام ZI وCL، وأن مقارنات الأداء مع نماذج ذات صلة تشير إلى دور أساسي للتعلم الفوقي واللدونة الهيبية والتحكم الذاتي في التعلم.
بالنسبة لبناة الذكاء الاصطناعي، يوفر البحث عن أوزان ثابتة عبر التعلم الفوقي مع تحديث الأوزان اللدنة بقاعدة هيبية ثلاثية العوامل مسارًا بديلًا قابلًا للتحليل نحو التعلم المستمر عبر الإنترنت والاستنتاج دون أمثلة.
DyCraft: نظام وكيلي لتوليد مشاهد ثلاثية الأبعاد رباعية الأبعاد على مدى طويل
يفكّك DyCraft توليد الرسوم المتحركة إلى خطوات: يوسّع أولًا موجّه المستخدم إلى خطة مفصّلة ويبني مشهدًا ساكنًا، ثم ينشئ لوحة قصصية ثلاثية الأبعاد لأوضاع الحركة الرئيسية كي يتمكن وكيل البرمجة من كتابة حركة محلية بين حالتي بداية ونهاية مُتحقَّق منهما.
- تقيّم الورقة DyCraft على 24 مهمة رسوم متحركة طويلة المدى متعددة اللقطات تشمل روبوتات بشرية الشكل وشخصيات بشرية وحيوانية وآليات فيزيائية.
- مقارنةً بوكيل GPT-6 الأصلي في Codex وبخطوط الأساس الوكيلية السابقة، يقلّل DyCraft الانتهاكات الفيزيائية بدرجة كبيرة وينتج مشاهد ثلاثية الأبعاد متحركة أعلى جودة يفضّلها المقيّمون البشريون في كثير من الأحيان.
- تذكر الورقة أن وكلاء البرمجة المتقدمين المزوّدين بأُطر عامة كثيرًا ما ينتجون أجسامًا تتقاطع مع بعضها أو تفتقر إلى سند فيزيائي أو تتحرك بشكل غير طبيعي.
- يستخدم DyCraft اللوحة القصصية ثلاثية الأبعاد لتفكيك المسألة إلى أزواج من حالات البداية والنهاية المُتحقَّق منها، إلى جانب مجموعة من أدوات تأليف الحركة.
بالنسبة لمن يبنون خطوط إنتاج ثلاثية الأبعاد ورسوم متحركة، يشير DyCraft إلى أن تقسيم التوليد الطويل المدى إلى حالات بداية ونهاية قابلة للتحقق بشكل مستقل يحدّ من الانتهاكات الفيزيائية أفضل من ترك الوكيل يكتب الرسوم المتحركة كاملة في تمريرة وا...
OpenAI تطلق LifeVal، معيارًا لقياس أداء الذكاء الاصطناعي في المهام اليومية
تقدم OpenAI معيار LifeVal، وهو معيار يقيس مدى جودة مساعدة الذكاء الاصطناعي للناس في إكمال المهام اليومية، من البحث عن رعاية الأطفال إلى إدارة الشؤون المالية والتعاملات الورقية الحكومية.
- LifeVal هو معيار قدمته OpenAI.
- يقيس مدى جودة مساعدة الذكاء الاصطناعي للناس في إكمال المهام اليومية.
- تشمل أمثلة المهام البحث عن رعاية الأطفال، وإدارة الشؤون المالية، والتعاملات الورقية الحكومية.
بالنسبة لمطوري الذكاء الاصطناعي، ينقل LifeVal التقييم نحو مهام واقعية مثل رعاية الأطفال والمالية والتعاملات الورقية الحكومية، مما يشير إلى أين ينبغي تحسين النماذج بشكل موجّه.
Qodo يبني السياق في مراجعة الكود بالذكاء الاصطناعي مع Codex
يجلب Qodo معرفة الشركة ومعايير البرمجة إلى Codex، مما يساعد المطورين على اكتشاف مشكلات P0 عبر المستودعات قبل فتح طلب السحب.
- يجلب Qodo معرفة الشركة ومعايير البرمجة إلى Codex.
- يساعد هذا التكامل المطورين على اكتشاف مشكلات P0 عبر المستودعات قبل فتح طلب السحب.
بالنسبة لبناة الذكاء الاصطناعي، فإن حقن سياق خاص بالمؤسسة في وكلاء مراجعة الكود ينقل المراجعة من الفحوصات العامة إلى اكتشاف المشكلات عالية الخطورة قبل طلب السحب.
ورقة بحثية جديدة لـ Yann LeCun البالغ 66 عامًا تتحدى Scaling Law: 109 ملايين معامل تتفوق على 72 مليارًا
نشر Yann LeCun ورقة بحثية جديدة تفيد بأن نموذجًا بـ109 ملايين معامل تفوق على نموذج بـ72 مليار معامل، مما يتحدى افتراض Scaling Law بأن النماذج الأكبر لا تفهم العالم بالضرورة بشكل أفضل.
- تفيد الورقة البحثية بأن نموذجًا بـ109 ملايين معامل تفوق على نموذج بـ72 مليار معامل.
- نُشرت الورقة البحثية بواسطة Yann LeCun البالغ 66 عامًا.
- تتحدى الورقة البحثية Scaling Law، بحجة أن النماذج الأكبر لا تفهم العالم بالضرورة بشكل أفضل.
بالنسبة لبناة الذكاء الاصطناعي، تشير هذه الورقة إلى أن حجم المعاملات ليس المحدد الوحيد لفهم العالم، وقد تكون البنية وأهداف التدريب أكثر أهمية.