AI FRONTIER
Signals worth understanding before they become obvious.
StateBench: اختبار كيفية تتبع نماذج اللغة تغيّرات الحالة في المستندات الطويلة
تقدّم Ai2 معيار StateBench لتتبع الحالة في السياق الطويل بأربعة مستويات صعوبة، لتقييم مدى تتبّع نماذج اللغة معلومات الكيانات أثناء تطوّرها في المستندات الطويلة.
- يتضمّن StateBench أربعة مستويات صعوبة: r-trivial (إسناد غير قابل للتغيير)، وaperiodic (إعادة إسناد بالقيمة)، وsoluble (تحديثات ذاتية المرجع)، وgeneral finite (إسناد بالمرجع).
- في اختبارات النماذج المُدرَّبة مسبقًا، أدّى几乎所有 النماذج أداءً جيدًا في r-trivial، وفقدت الدقة في aperiodic مع نمو المدخلات، وبقيت عند مستوى الصدفة في مسائل general finite.
- أربعة نماذج رائدة — Gemini 3.8 Flash وClaude Opus 5.5 وGPT-6 Sol وLuna — انخفضت دقتها بشكل حاد في مسائل soluble وgeneral finite مع طول المدخلات، لتصل إلى 13% أو أقل في أطول مسائل general finite.
على مطوّري أنظمة السياق الطويل تقييم البنى المعمارية كلٌّ على حدة حسب تعقيد تتبع الحالة، إذ تفشل نماذج transformer في أصعب مستوى حتى مع التدريب المباشر، بينما تستطيع Gated DeltaNet والتصاميم الهجينة تعلّمه.
التكلفة لكل مهمة: استخدام مصنّفات رخيصة للتوجيه بين نماذج Gemini ومستويات التفكير
تتناول تدوينة من Google for Developers التوجيه من منظور التكلفة لكل مهمة، باستخدام مصنّفات رخيصة للتوجيه بين نماذج Gemini ومستويات التفكير.
- المصدر هو مدونة Google for Developers، وموضوعها التكلفة لكل مهمة.
- يعتمد النهج على مصنّفات رخيصة للتوجيه بين نماذج Gemini ومستويات التفكير.
بالنسبة لبناة الذكاء الاصطناعي، فإن إسناد قرار التوجيه إلى مصنّف منخفض التكلفة يتيح توزيع الحوسبة لكل مهمة بين النماذج ومستويات التفكير.
Anthropic تعلن تقدماً في الاستدلال القابل للإثبات للنماذج اللغوية الكبيرة
نشرت Anthropic تحديثاً بحثياً حول التقدم نحو الاستدلال القابل للإثبات في النماذج اللغوية الكبيرة.
- المصدر هو Anthropic؛ والفئة هي البحث.
- الموضوع هو التقدم في الاستدلال القابل للإثبات للنماذج اللغوية الكبيرة.
قد يمنح التقدم في الاستدلال القابل للإثبات المطورين ضمانات أقوى بشأن صحة الاستدلال، ما يستحق المتابعة.
Agentic World Modeling لتوسيع وقت الاختبار للوكلاء دون نسخة مكررة من البيئة
تقدم الورقة Agentic World Modeling (AWM)، الذي يعيد صياغة التنبؤ بالملاحظة التالية كمهمة متعددة الأدوار لجمع الأدلة: يحاكي الوكيل البيئة الحقيقية عبر واجهات آمنة للقراءة فقط، ويستدل على الأدلة المُعادة، ويستخدم حسابات قابلة للتنفيذ لبناء الملاحظة الناتجة دون تغيير الحالة المشتركة.
- تذكر الورقة أن AWM يتفوق على خط أساس المحاكاة أحادية المحاولة بنسبة 40.07% في المتوسط على τ-bench وAppWorld وOfficeBench.
- تذكر الورقة أن AWM يتجاوز خط أساس نموذج عالم مدرَّب بنسبة 12.36% في المتوسط.
- يستعلم AWM من البيئة الحقيقية عبر واجهات آمنة للقراءة فقط ويصرّح بأنه لا يغيّر الحالة المشتركة.
- يستهدف العمل عمليات نشر تكون فيها مساحات عمل المؤسسات وخدمات السحابة مشتركة ودائمة، ومكلفة أو غير قابلة للتكرار، وقد تُحدث الإجراءات آثارًا جانبية غير قابلة للعكس أو تداخلًا بين المسارات.
بالنسبة لبناة الوكلاء، يوفر AWM مسارًا لاستكشاف المسارات بالتوازي على بيئة مشتركة واحدة دون تكرارها، وهو ما يهم عندما لا يمكن إعادة ضبط حالة الإنتاج.
CWE-bench v2: تغطية وجودة وشفافية أكبر
تطلق Collinear AI مجموعة CWE-bench v2 العامة المكوّنة من 100 مهمة تغطي 91 CWE مع تقييم برمجي حتمي، إضافة إلى مجموعة محجوزة لتتبع التقدم.
- تحتوي المجموعة العامة على 100 مهمة تغطي 91 CWE مختلفة.
- من بين 11 نموذجًا تم تقييمه، يتصدر Gemini 4 Argon بنسبة 67.8% pass@1 و81.0% pass@4، متقدمًا على Claude Opus 5.5 بنسبة 67.3% pass@1 و78.0% pass@4.
- تم حل 95 مهمة بواسطة نموذج واحد على الأقل، لكن حتى المتصدر يفشل في 19% من المجموعة في كل محاولة.
- يصل DeepSeek V4.1 Flash إلى 57.0% pass@1 بتكلفة 0.04 دولار لكل rollout، وOpus عند 1.83 دولار، وGemini عند 3.92 دولار.
يمكن للمطورين تشغيل هذا المعيار الحتمي مباشرة من مستودع Hugging Face وإعادة استخدام البيئات والمدققات نفسها كمكافآت تعلم معزز لتدريب وكلاء دفاعيين.
DeepSeek تطلق وضع المنشئ وتخطط لتدريب الجيل التالي من النموذج الكبير مسبقًا على شرائح Huawei Ascend
وفقًا لـ ThePaper.cn، أطلقت DeepSeek وضع المنشئ وتخطط لتدريب الجيل التالي من النموذج الكبير مسبقًا على شرائح Huawei Ascend.
- ذكر ThePaper.cn أن DeepSeek أطلقت وضع المنشئ.
- ذكر ThePaper.cn أن DeepSeek تخطط لتدريب الجيل التالي من النموذج الكبير مسبقًا على شرائح Huawei Ascend.
إذا جرى بالفعل تدريب الجيل التالي مسبقًا على Ascend، فعلى مطوري الذكاء الاصطناعي تقييم تكاليف الانتقال ونضج سلسلة الأدوات لبيئة تدريب غير NVIDIA.
توسيع Git في OpenAI: الواجهة الخلفية Pando
بنَت OpenAI نظام Pando، وهي واجهة خلفية متوافقة مع Git مصممة لتحمل حجم التطوير الذي يتيحه Codex.
- يوصَف Pando بأنه واجهة خلفية متوافقة مع Git.
- تذكر OpenAI أن Pando مصمم لحجم التطوير الذي يتيحه Codex.
بالنسبة لبناة الذكاء الاصطناعي، يشير هذا إلى أن تبنّي وكلاء البرمجة يدفع إلى إعادة تصميم البنية التحتية الداخلية للتحكم في الإصدارات.
baidu/Unlimited-OCR-2: نموذج OCR متعدد الوسائط بـ 3.3B معامل مع SR-SWA لتحليل مستندات بلا حدود للطول
أصدرت Baidu نموذج Unlimited-OCR-2، الذي يستخدم Sparse Reference Sliding Window Attention (SR-SWA) لضغط تفاعلات الانتباه بين النص والصورة إلى مجموعة مراجع ثابتة الحجم (مثل 512 رمزًا)، ما يُبقي زمن فك التشفير لكل خطوة واستهلاك الذاكرة شبه ثابتين بصرف النظر عن طول المستند. يدعم النموذج الاستدلال عبر Transformers وSGLang، ...
- يبلغ حجم النموذج 3.3B معامل، ويستخدم نوعي الموترات I64 وBF16، ويُصدر بموجب رخصة MIT.
- يضغط SR-SWA تفاعلات الانتباه بين النص والصورة إلى مجموعة مراجع ثابتة الحجم (مثل 512 رمزًا)، ما يُبقي زمن فك التشفير لكل خطوة واستهلاك الذاكرة شبه ثابتين.
- تفيد الورقة بتحقيق أداء متقدم على معايير عشرات الصفحات مثل MPDocBench ومعايير مئات الصفحات القصوى مثل MarathonDocBench.
- اختُبر Transformers مع Python 3.10 وtorch 2.13.0 وtransformers 4.52.1 على NVIDIA A800-80GB، ويُوصى بـ SGLang للتشغيل الخدمي.
بالنسبة لمن يبنون خطوط تحليل المستندات، يحوّل SR-SWA كلفة الانتباه في المستندات الطويلة من الاعتماد على الطول إلى شبه ثبات، ما يتيح تحليل مستندات بمئات الصفحات في طلب واحد ضمن نافذة سياق محدودة.