AI FRONTIER
Signals worth understanding before they become obvious.
LLMON: لغة ترميز أصلية لنماذج LLM، متاحة الآن في Granite 4.1 3B و8B
أصدرت IBM نموذجين تجريبيين للمعاينة، granite-4.1-3b-LLMON-preview وgranite-4.1-8b-LLMON-preview، مشتقين من نماذج Granite 4.1 الأساسية ومدرَّبين على قراءة النص الموسوم بـLLMON وتوليده، وهو يفصل التعليمات عن البيانات لمواجهة حقن الأوامر غير المباشر.
- في معيار OPI، تجنّبت نماذج LLMON هجمات أكثر بنسبة 47% مقارنة بأفضل نموذج متقدم تم اختباره، و95% أكثر مقارنة بأفضل نموذج مفتوح المصدر.
- يعرّف LLMON ستة فواصل مثبَّتة في المُرمِّز كرموز مفردة محجوزة.
- استخدم التدريب خمس مراحل GRPO متتابعة تلتها مرحلة DPO نهائية على ألف زوج من التفضيلات على السياسة.
- النماذج معاينة تجريبية، جاهزة للاستكشاف والتقييم لكن ليس للإنتاج.
يمكن لمطوري وكلاء RAG أو استدعاء الأدوات استخدام معاينات LLMON للحصول على أداء عام مماثل لـGranite 4.1 Instruct مع مقاومة أقوى لحقن الأوامر.
دليل الضبط الدقيق لنماذج توليد ثلاثي الأبعاد TRELLIS.2: محولات LoRA والحاويات
أصدرت Hugging Face نصوصًا برمجية وحاويات للضبط الدقيق لنموذج TRELLIS.2 تدرّب محولات LoRA فقط على sparse-structure flow DiT وshape flow DiT، بهدف تحسين دقة هندسة النعل في 188 جسمًا من الأحذية في مجموعة GSO.
- تستخدم التجربة 188 جسمًا من الأحذية من GSO، التي تحتوي على 1,030 جسمًا إجمالًا.
- يُدرَّب نحو 9.3 مليون معامل محول على كلا الـ DiT المستهدفين: رتبة 8 في طبقات الانتباه وMLP في sparse-structure flow DiT، ورتبة 16 في طبقات الانتباه في shape flow DiT.
- تُصيّر حاوية المعالجة المسبقة 16 عرضًا لكل جسم باستخدام Blender، واستغرق التشغيل الكامل لـ 188 جسمًا نحو ساعة واحدة على مهمة a100-large بسعة 80 GB.
- توفر حاوية التدريب إعدادَي ss وshape؛ وتضبط الأمثلة max_steps=3000 وi_save=500، ويمكن رفع نقاط حفظ المحولات إلى Hub.
بالنسبة لمجموعات البيانات ثلاثية الأبعاد الصغيرة، يتيح تجميد texture flow DiT وإضافة LoRA فقط إلى وحدات DiT المرتبطة بالشكل تصحيح عيوب الهندسة بحساب محدود.
Google Research تقدّم توصيف مخاطر CKM وتدريباً شخصياً عبر الأجهزة القابلة للارتداء
تقدّم Google Research إطاراً بحثياً للتعلّم الآلي يحوّل إشارات الأجهزة القابلة للارتداء السلبية إلى عمر صحي قابل للتعديل، ويستخدم نموذجاً عالمياً مشروطاً بالإجراءات لمحاكاة مسارات عادات شخصية على مدى 12 أسبوعاً، ويتوسّع إلى مؤشرات حيوية دموية روتينية لتتبّع صحة القلب والكلى والتمثيل الغذائي (CKM).
- في دراسة معمّاة وجهاً لوجه شملت 49 ملفاً للمشاركين و490 تقييماً مزدوجاً، اختار مدربو نمط الحياة الخطة القائمة على السيناريوهات المضادة للواقع كأفضل خطة إجمالية في 71.4% من التقييمات (p < 0.001).
- قيّم الأطباء 99.2% من الخطط المضادة للواقع ضمن حدود شدة التمرين الآمنة، و97.6% منها بأنها دقيقة في الادعاءات الفسيولوجية.
- تم تقييم نموذج العمر الصحي متعدد الوسائط لـ CKM لدى 819 مشاركاً في WEAR-ME، ويجمع إشارات الأجهزة القابلة للارتداء مع نسبة الكوليسترول إلى HDL وeGFR وHOMA-IR.
- يذكر المؤلفون أن التقييمات أُجريت دون اتصال باستخدام مجموعات بحثية بأثر رجعي، وأن هذه النماذج نماذج بحثية أولية وليست أدوات تشخيص سريري.
بالنسبة لبناة الذكاء الاصطناعي، يوضح هذا نمطاً مغلق الحلقة يولّد فيه النموذج العالمي مسارات مضادة للواقع ويحوّلها نموذج لغوي إلى تدريب قابل للتنفيذ، مع التحقق عبر مراجعة خبراء معمّاة ومقاييس سلامة سريرية.
Google Antigravity يضيف «وكلاء بعيدين» يشغّلون وكلاء الذكاء الاصطناعي في السحابة
يضيف Google Antigravity ميزة «وكلاء بعيدين» يعمل فيها وكلاء الذكاء الاصطناعي في السحابة ويواصلون العمل خارج ساعات العمل.
- اسم الميزة «وكلاء بعيدون»، ووكلاء الذكاء الاصطناعي يعملون في السحابة.
- وفقًا لـ Publickey، يواصل وكلاء الذكاء الاصطناعي العمل خارج ساعات العمل.
بالنسبة إلى البنّائين، يوسّع الوكلاء المستضافون في السحابة التنفيذ إلى ما بعد جلسة واحدة، لذا يجب تصميم التسليم والمراقبة للتشغيلات غير الخاضعة للإشراف.
دراسة: الذكاء الاصطناعي يقلص البحث عن الثغرات من تسعة أشهر إلى 90 ساعة
وفق دراسة أوردها All About SECURITY، قلّص الذكاء الاصطناعي زمن البحث عن الثغرات من تسعة أشهر إلى 90 ساعة.
- يذكر التقرير أن زمن البحث عن الثغرات انخفض من تسعة أشهر إلى 90 ساعة.
- المصدر: All About SECURITY.
بالنسبة لبناة الذكاء الاصطناعي، يشير هذا الانخفاض المُبلَّغ عنه إلى أن البحث عن الثغرات بمساعدة الذكاء الاصطناعي قد يضغط جوهريًا الجداول الزمنية لبحوث الأمن.