AI FRONTIER
Signals worth understanding before they become obvious.
LowRAM: مفاتيح منخفضة الرتبة وقيم مُستهلَكة لضغط ذاكرة KV القابل للتركيب في وقت الاختبار
تقدم الورقة LowRAM، وهي خط أنابيب غير متماثل لضغط ذاكرة KV يستهلِك ذاكرة القيم عبر متنبئ خفيف لكل رأس يُلائم في وقت الاختبار، ويقرنه بضغط مفاتيح منخفض الرتبة عبر الطبقات. وتُبلغ عن إنتاجية فك ترميز ذروية أعلى تصل إلى 5x عند ضغط 4x، وعن ضغط 26.9x عند 94.5% من أداء الأساس على السياقات الطويلة عند تركيبه مع التكميم والإخل...
- يُلائم استهلاك ذاكرة القيم متنبئًا خفيفًا لكل رأس ويخزّن البواقي فقط للرموز التي يعيد بناءها بأدنى جودة، وهو ما تفيد الورقة بأنه يمنح ضغط قيم 4x شبه بلا فقدان.
- يمكن تهيئة المتنبئ عبر التعلم الفوقي لتقليل كلفة التعبئة المسبقة بشكل كبير، أو ملاءمته من الصفر في الإعدادات التي تسمح بكلفة لمرة واحدة، مثل الاستدلال متعدد الاستعلامات.
- يعيد LowRAM بناء مجموعة فرعية مختارة فقط من أزواج KV في كل خطوة فك ترميز، وتُبلغ الورقة عن إنتاجية فك ترميز ذروية أعلى تصل إلى 5x عند ضغط 4x.
- عند تركيبه مع التكميم والإخلاء، تُبلغ الورقة عن ضغط 26.9x عند 94.5% من أداء الأساس على السياقات الطويلة.
إن معاملة المفاتيح والقيم كعنصرين مختلفين بنيويًا تتيح للمطورين تكديس ضغط المفاتيح منخفض الرتبة واستهلاك القيم والتكميم والإخلاء لضغط ذاكرة KV بشكل أكثر جرأة في خدمة السياقات الطويلة.
FlexFloor: تدريب لاحق بالتعلم المعزز بكفاءة في الموارد عبر التوازي المرن للخبراء
تقدم الورقة نظام FlexFloor الذي يكيّف معًا جدولة الاستجابات ومجموعة العمال النشطة أثناء توليد الاستجابات المتزامن، فيحرر العمال مبكرًا مع الحفاظ على حساب الخبراء الذي تتطلبه الاستجابات الجارية.
- تذكر الورقة أنه في نماذج mixture-of-experts يحدث نحو ثلث وقت العمال المشغول في خط الأساس بعد انتهاء توليد الاستجابة محليًا.
- تذكر الورقة أنه مقارنة بخط أساس verl يولّد FlexFloor نحو 65.40% رموز استجابة إضافية لكل وحدة من وقت الحوسبة المشغول.
- تذكر الورقة زيادة بنسبة 52.74% في إنتاجية توليد الاستجابات، مع تباين ضئيل ملاحظ في rollout reward.
- تتألف الورقة من 19 صفحة تشمل المراجع والملاحق، مع 5 أشكال، وقد قُدمت في 4 نوفمبر 2026.
بالنسبة للفرق التي تبني خطوط تدريب لاحق بالتعلم المعزز على نماذج MoE، يشير FlexFloor إلى أن سياسات الجدولة وتحرير العمال يمكن أن ترفع إنتاج rollout لكل وحدة حوسبة دون تغيير المكافأة جوهريًا.
ToyBlocks: عالم مُتحكَّم به لتعلّم الروبوتات وتقييمها
تقدّم Ai2 إطار ToyBlocks، وهو أول FoundationWorld: إطار محاكاة مفتوح مبني حول ذراع روبوت ومكعبات على طاولة، يولّد المهام والعروض التوضيحية تلقائيًا ويوفّر مقاييس تتجاوز معدلات النجاح.
- يولّد ToyBlocks مئات الخطط وينفّذها بالتوازي على وحدة معالجة رسومات واحدة، ليصل إلى أداء يبلغ حتى 24 ضعف الزمن الحقيقي.
- يجري تدريب المهارات في Isaac Lab باستخدام التعلّم المعزّز وتخطيط الحركة لتعلّم مهارات غير قابضة مثل الدفع والقلب.
- يختار مخطط المهام والحركة (TAMP) المهارات ويرتّبها تلقائيًا لإنتاج مجموعات عروض توضيحية موسومة.
- تشمل مقاييس التقييم سرعات التنفيذ والقوى المؤثرة على الأجسام وتقدّم المهمة المقيس بالمواصفات نفسها التي تستخدمها وحدة التخطيط.
توفّر ToyBlocks لفرق تعلّم الروبوتات منصة اختبار قابلة للتكرار لدراسة خلطات البيانات والتعميم المكاني وتحديد ما إذا كان الفشل ناتجًا عن التخطيط عالي المستوى أو التنفيذ منخفض المستوى.
OpenAI تقدم BioBasicsBench لقياس كيفية تعامل وكلاء الذكاء الاصطناعي مع علوم المختبر الرطب اليومية
تقدم OpenAI أداة BioBasicsBench، وهي معيار من 100 مهمة يقيس مدى قدرة وكلاء الذكاء الاصطناعي على تفسير البيانات التجريبية الخام والتعامل مع علوم المختبر الرطب اليومية.
- اسم المعيار BioBasicsBench وتقدمه OpenAI.
- يتضمن 100 مهمة.
- وفقًا لـ OpenAI، يقيس مدى قدرة وكلاء الذكاء الاصطناعي على تفسير البيانات التجريبية الخام.
- وفقًا لـ OpenAI، يقيس مدى قدرة وكلاء الذكاء الاصطناعي على التعامل مع علوم المختبر الرطب اليومية.
بالنسبة للفرق التي تبني وكلاء علميين، يوفر BioBasicsBench هدف تقييم من 100 مهمة يركز على تفسير البيانات الخام والعمل اليومي في المختبر الرطب بدلًا من المهام الأدبية فقط.
TRAP: تفويض وقت التشغيل المستجيب للثقة للذكاء الاصطناعي الوكيلي، بوصف تجريبي
توصّف الورقة تجريبيًا سياسة التفويض المستجيبة للثقة (TRAP)، التي تُسقط درجة جاهزية التفويض (ARS) — وهي مزيج مرجّح من الثقة وقت التشغيل والاستقرار التشغيلي والمخاطر السياقية — على مستويات تفويض منفصلة عبر قاعدة غير متناظرة: يتطلب التصعيد ملاحظات متتالية تتجاوز حافة النطاق مضافًا إليها هامش، بينما يؤدي الانخفاض الحاد في ...
- على مجموعة متطابقة واحدة من 100 مسار مونت كارلو، تُقارن TRAP بسياسات ثابتة، وقائمة على الثقة فقط، وعلى المخاطر فقط، ومتناظرة.
- في ظل التدهور المفاجئ، تقيّد TRAP عند البداية وتعيد التصعيد أسرع بعد التعافي من السياسة المتناظرة.
- في مسوحات عامل واحد، يزداد وقت التعافي مع هامش التصعيد وطول التشغيل، ويتغير مع أوزان الدرجة، ولا يتغير بتغير عتبة التقييد.
تعتمد ميزة التقييد في TRAP على كون التدهور مفاجئًا، لذا ينبغي للمطورين التحقق من مطابقة نمط الفشل في نشرهم قبل تبنّيها.
Qwen/Qwen3.8-27B: إطلاق نموذج اللغة البصري متعدد الوسائط
Qwen/Qwen3.8-27B هو نموذج لغة بصري متعدد الوسائط يحقق مكاسب كبيرة في البرمجة والعمل الاحترافي والبحث والمهام الوكيلة طويلة المدى، ويدعم الفهم الأصلي للصور ومقاطع الفيديو.
- Likes: 19268
- Downloads: 7845288
- Parameters: 27.8B
- Qwen/Qwen3.8-27B 是多模态视觉语言模型，适合图像理解、视觉问答和文档解析
يقدم هذا النموذج تحسينات شاملة في المعالجة متعددة الوسائط والمهام المعقدة، مما يجعله مناسبًا للمطورين الذين يحتاجون إلى استدلال متقدم وفهم بصري.
Gaussians Can Subtract: حقول إذابة عصبية لتصيير المشاهد الهجينة
تقدم الورقة إطار Gaussolve للتصيير الهجين بين الشبكة والغاوسيين بأسلوب «الطرح ثم إعادة الملء»، إذ يذيب حقل Neural Dissolve Field خفيف محتوى الشبكة غير المتسق بين زوايا النظر، ثم تعيد الغاوسيات المتبقية ملء المناطق المكشوفة.
- يُعامَل Neural Dissolve Field بغاوسيات توافقية كروية قياسية، ويتعلم أين ومن أي اتجاهات نظر ينبغي إذابة محتوى الشبكة.
- قاعدة دمج نفاذية متصلة تكشف تدريجيًا الغاوسيات المتبقية خلف الشبكة المذابة، مع الحفاظ على تدرجات إعادة بنائها وتجنب انقطاعات الرؤية الحادة.
- تذكر الورقة تحقيق دقة بصرية أعلى بعدد أقل من عناصر الغاوسيين الأولية وتصيير أسرع في مشاهد منظمة وشبه منظمة.
- قُبلت الورقة في WACV 2027 وتضم 16 صفحة مع المواد التكميلية و11 شكلًا و8 جداول.
لمن يبنون مشاهد هجينة بين الشبكة والغاوسيين، فإن معالجة تعارضات الشبكة والغاوسيين كعدم اتساق متعدد الزوايا وإذابة الشبكة حسب اتجاه النظر قد يحسّن الدقة وسرعة التصيير دون إضافة عناصر غاوسية أولية.