انخفضت التكاليف بشكل كبير! يحقق جهاز Distill-Any-Depth تقديرًا عالي الدقة للعمق؛ تم اختياره لـ CVPR 2025! يفتح Real-IADD آفاقًا جديدة في الكشف الصناعي.
تقدير العمق المتري أحادي العين هو تقنية رؤية حاسوبية تهدف إلى التنبؤ بالعمق المطلق من صورة RGB واحدة. لهذه التقنية تطبيقات واسعة في مجالات مثل القيادة الذاتية، والواقع المعزز، والروبوتات، وفهم المشاهد ثلاثية الأبعاد.
يُحسّن تقدير العمق أحادي العين (MDE) من خلال اللقطة الصفرية قدرات التعميم بشكل ملحوظ من خلال توحيد توزيع العمق والاستفادة من البيانات واسعة النطاق غير المُصنّفة. ومع ذلك، تُعالج الطرق الحالية جميع قيم العمق بشكل موحد، مما قد يُضخّم الضوضاء في العلامات الزائفة ويُقلّل من تأثير التقطير. بناءً على ذلك، أصدرت جامعة تشجيانغ للتكنولوجيا وعدة جامعات أخرى برنامج Distill-Any-Depth.
يدمج Distill-Any-Depth مزايا نماذج المصدر المفتوح المتعددة من خلال خوارزمية التقطير ويحقق تقدير عمق عالي الدقة مع كمية صغيرة فقط من البيانات غير المسمى.وبالمقارنة بالطرق التقليدية التي تتطلب ملايين التعليقات التوضيحية، فإن هذا المشروع يتطلب 20 ألف صورة غير مصنفة فقط، مما يقلل بشكل كبير من تكاليف تعليقات البيانات.
أطلقت شركة HyperAI حاليًا برنامجًا تعليميًا بعنوان "Distill-Any-Depth: Monocular Depth Estimator". جربه الآن!
تقدير العمق أحادي العين: أداة تقدير العمق أحادية العين
الاستخدام عبر الإنترنت:https://go.hyper.ai/DNSf5
من 16 يونيو إلى 20 يونيو، تحديثات الموقع الرسمي لـhyper.ai:
* مجموعات البيانات العامة عالية الجودة: 10
* دروس تعليمية عالية الجودة: 14
* الأوراق الموصى بها لهذا الأسبوع: 5
* تفسير المقالات المجتمعية: 5 مقالات
* إدخالات الموسوعة الشعبية: 5
* أفضل المؤتمرات مع الموعد النهائي في يوليو: 5
قم بزيارة الموقع الرسمي:هايبر.اي
مجموعات البيانات العامة المختارة
1. مجموعة بيانات الكشف عن الشذوذ الصناعي Real-IAD D³
Real-IAD D³ عبارة عن مجموعة بيانات متعددة الوسائط عالية الدقة، وقد تم تضمين الأوراق ذات الصلة في مؤتمر رؤية الكمبيوتر الرائد CVPR 2025. تحتوي مجموعة البيانات على 20 فئة من المنتجات الصناعية، و69 نوعًا من العيوب، وما مجموعه 8450 عينة، بما في ذلك 5000 عينة طبيعية و3450 عينة غير طبيعية.
الاستخدام المباشر:https://go.hyper.ai/i4T8m
2. مجموعة بيانات الأراضي الفرنسية متعددة المستشعرات FLAIR HUB
يغطي FLAIR-HUB أكثر من 2500 كيلومتر مربع من المناخات البيئية والمناظر الطبيعية المتنوعة في فرنسا، ويضم 19 فئة من الغطاء الأرضي و23 فئة من المحاصيل، ويحتوي على 63 مليار بكسل تم شرحها يدويًا، مع دمج مصادر البيانات التكميلية.
الاستخدام المباشر:https://go.hyper.ai/4VvCI
3. مجموعة بيانات الاستدلال الرياضي MathFusionQA
تُركز MathFusionQA على التفكير متعدد الخطوات وحل المسائل الرياضية. تحتوي مجموعة البيانات على 59,000 عينة عالية الجودة من أسئلة الرياضيات، تغطي أنواعًا متنوعة من الأسئلة، مثل العمليات الحسابية، والمعادلات الجبرية، والتطبيقات الهندسية، والمنطق، وغيرها. سيناريوهات الأسئلة غنية، وتغطي التطبيقات اليومية، والتدريب الأكاديمي، وغيرها، بهدف تحسين قدرة نموذج اللغة الكبير (LLM) على حل المسائل الرياضية.
الاستخدام المباشر:https://go.hyper.ai/uGR9C
4. مجموعة بيانات كتب المؤسسات 1.0
تتألف قاعدة بيانات الكتب المؤسسية من 983,004 كتابًا متاحًا للعامة بـ 254 لغة، نُشر معظمها في القرنين التاسع عشر والعشرين. تحتوي مجموعة البيانات على 242 مليار رمز، و386 مليون صفحة نصية، وهي متاحة بصيغتي تصدير OCR الخام والمعالجة اللاحقة.
الاستخدام المباشر:https://go.hyper.ai/ZsSI7
5. مجموعة بيانات ReasonMed للاستدلال الطبي
ReasonMed هي أكبر مجموعة بيانات مفتوحة المصدر للاستدلال الطبي، مصممة لتدريب النماذج وتقييمها لمهام مثل الإجابة على الأسئلة الطبية وتوليد النصوص. تحتوي مجموعة البيانات على 370,000 مثال عالي الجودة للإجابة على الأسئلة، تغطي مجالات متعددة مثل المعرفة السريرية، وعلم التشريح، وعلم الوراثة.
الاستخدام المباشر:https://go.hyper.ai/DwGmH
6. مجموعة بيانات الإجابة على الأسئلة الطبية Miriad-5.8M
تحتوي مجموعة البيانات على 5.82 مليون زوج من الأسئلة والأجوبة الطبية، تغطي جميع الجوانب، من العلوم الأساسية إلى الممارسة السريرية. يوفر MIRIAD أزواجًا من الأسئلة والأجوبة عالية الجودة ومنظمة لدعم مختلف المهام اللاحقة، مثل تحليل البيانات الإحصائية (RAG)، والاسترجاع الطبي، وكشف الهلوسة، وتعديل التعليمات.
الاستخدام المباشر:https://go.hyper.ai/Xw8Ph
7. مجموعة بيانات نصية مفتوحة واسعة النطاق من مجموعة مشتركة
تُعد مجموعة البيانات هذه حاليًا أكبر مجموعة بيانات نصية مفتوحة الترخيص، وتحتوي على 2 تريليون رمز، وتغطي المحتوى في مجالات متعددة مثل الكتب والأدب العلمي والرموز والوثائق القانونية وما إلى ذلك؛ واللغات الرئيسية هي الإنجليزية والفرنسية، كما تشمل أيضًا 8 لغات بأكثر من 10 مليارات رمز (الألمانية / الإسبانية / الإيطالية، وما إلى ذلك) و33 لغة بأكثر من مليار رمز.
الاستخدام المباشر:https://go.hyper.ai/PnbfK
8. مجموعة بيانات معيارية لاستدلال الأسئلة البشرية HLE
يهدف نظام التقييم الإلكتروني عالي الجودة (HLE) إلى بناء نظام تقييم شامل ومتكامل يغطي آفاق المعرفة الإنسانية. تحتوي مجموعة البيانات على 2500 سؤال تغطي عشرات التخصصات، كالرياضيات والعلوم الإنسانية والعلوم الطبيعية، بما في ذلك أسئلة اختيار من متعدد وأسئلة إجابات قصيرة مناسبة للتقييم التلقائي.
الاستخدام المباشر:https://go.hyper.ai/Lq7mE
9. مجموعة بيانات استدلال الحالات الطبية MedCaseReasoning
تحتوي قاعدة بيانات MedCaseReasoning على 13,000 حالة، تغطي تخصصات متعددة، مثل الطب الباطني، وطب الأعصاب، والأمراض المعدية، وأمراض القلب. تدمج هذه المجموعة البيانات عملية التشخيص والعلاج الكاملة للحالات السريرية متعددة التخصصات، وتغطي مهامًا أساسية مثل تشخيص الأمراض، والتحليل التفريقي، واتخاذ القرارات العلاجية، بهدف توفير موارد موحدة لتقييم قدرة نماذج اللغة الطبية الكبيرة على الاستدلال.
الاستخدام المباشر:https://go.hyper.ai/4vqwo
10. مجموعة بيانات محاذاة الصور والنصوص FineHARD
FineHARD هي مجموعة بيانات مفتوحة المصدر وعالية الجودة لمحاذاة الصور والنصوص. تتميز هذه المجموعة بحجمها ودقتها، وتحتوي على 12 مليون صورة ونصوص وصفها الطويلة والقصيرة، وتغطي 40 مليون مربع حدود.
الاستخدام المباشر:https://go.hyper.ai/L2TOZ
دروس تعليمية عامة مختارة
هذا الأسبوع، قمنا بتلخيص 4 فئات من الدروس التعليمية العامة عالية الجودة:
*دروس تعليمية حول نشر النماذج الكبيرة: 5
*دروس معالجة متعددة الوسائط: 4
*دروس إعادة البناء ثلاثية الأبعاد: 3
*دورة التعرف الضوئي على الحروف: 2
نشر نموذج كبيردرس تعليمي
1. vLLM + Open WebUI نشر KernelLLM-8B
يهدف KernelLLM إلى ترجمة وحدات PyTorch تلقائيًا إلى شيفرة نواة Triton فعّالة، مما يُبسّط ويُسرّع عملية برمجة وحدات معالجة الرسومات عالية الأداء. يعتمد النموذج على بنية Llama 3.1 Instruct، ويحتوي على 8 مليارات مُعامل، ويُركّز على توليد تطبيقات نواة Triton فعّالة.
تشغيل عبر الإنترنت:https://go.hyper.ai/DfoWo
2. نشر vLLM + Open WebUI MiniCPM4-8B
يحقق MiniCPM 4.0 استدلالًا عالي الأداء بتكلفة حوسبة منخفضة من خلال تقنيات مثل البنية المتفرقة، وضغط التكميم، وإطار عمل استدلال فعال. وهو مناسب بشكل خاص لمعالجة النصوص الطويلة، والسيناريوهات الحساسة للخصوصية، ونشر أجهزة الحوسبة الطرفية. عند معالجة التسلسلات الطويلة، يُظهر النموذج سرعة معالجة أسرع بكثير من Qwen3-8B.
تشغيل عبر الإنترنت:https://go.hyper.ai/kcANp
3. نشر vLLM+Open WebUI FairyR1-14B-Preview
يركز FairyR1-14B-Preview على مهام الرياضيات والبرمجة. يعتمد النموذج على قاعدة DeepSeek-R1-Distill-Qwen-32B، ويُبنى بدمج تقنيات الضبط الدقيق ودمج النماذج.
تشغيل عبر الإنترنت:https://go.hyper.ai/8jwGm
4. برنامج تعليمي لمقارنة وتقييم نماذج سلسلة تضمين Qwen3
تمثل عائلة Qwen3 Embedding تقدمًا كبيرًا في مجموعة متنوعة من مهام تضمين النصوص وترتيبها، بما في ذلك استرجاع النصوص، واسترجاع التعليمات البرمجية، وتصنيف النصوص، وتجميع النصوص، واستخراج النصوص الثنائية.
من خلال هذا البرنامج التعليمي، ستتمكن من فهم المفاهيم الأساسية للنماذج المضمنة ونماذج إعادة الترتيب بشكل منهجي، وتعلم كيفية تحديدها وتطبيقها في السيناريوهات العملية.
تشغيل عبر الإنترنت:https://go.hyper.ai/YtMdH
5. نشر vLLM+Open WebUI Devstral-Small-2505
يتميز Devstral ببراعة استخدام الأدوات لاستكشاف قواعد الأكواد، وتحرير ملفات متعددة، وتشغيل وكلاء هندسة البرمجيات. وقد حقق النموذج أداءً جيدًا على منصة SWE-bench، ليصبح نموذج المصدر المفتوح الأول في اختبار الأداء.
تشغيل عبر الإنترنت:https://go.hyper.ai/mnGzy
برنامج تعليمي حول المعالجة متعددة الوسائط
1. نشر VideoLLaMA3-7B بنقرة واحدة
VideoLLaMA3 هو نموذج أساسي متعدد الوسائط مفتوح المصدر يُركز على مهام فهم الصور والفيديو. يُحسّن هذا النموذج دقة وكفاءة فهم الفيديو بشكل ملحوظ من خلال تصميم معماري مُركّز على الرؤية وهندسة بيانات عالية الجودة.
يستخدم هذا البرنامج التعليمي مورد حوسبة RTX 4090 واحدًا وينشر نموذج VideoLLaMA3-7B-Image، مما يوفر مثالين لفهم الفيديو وفهم الصورة.
تشغيل عبر الإنترنت:https://go.hyper.ai/t2z4d
2. Step1X-Edit: أداة تحرير الصور
يتميز برنامج Step1X-Edit بثلاث قدرات رئيسية: تحليل دلالي دقيق، والحفاظ على اتساق الهوية، والتحكم عالي الدقة في مستوى المنطقة. يدعم البرنامج 11 نوعًا من مهام تحرير الصور عالية التردد، مثل استبدال النصوص، ونقل الأنماط، وتحويل المواد، وتنقيح الحروف.
تشغيل عبر الإنترنت:https://go.hyper.ai/MdDTI
3. سلسلة التكبير: عرض توضيحي لتكبير تفاصيل الصورة فائقة الدقة
سلسلة التكبير (COZ) هي إطار عمل لتكبير متسلسل (Charned Zoom) يُعالج مشكلة فشل نماذج الدقة الفائقة للصورة الواحدة (SISR) الحديثة عند طلب تكبير يتجاوز هذا النطاق بكثير. يمكن لنموذج الدقة الفائقة للانتشار القياسي 4x، المُدمج في إطار COZ، تحقيق تكبير يتجاوز 256x مع الحفاظ على جودة ودقة إدراكية عالية.
تشغيل عبر الإنترنت:https://go.hyper.ai/7Lixx
4. Sa2VA: نحو فهم إدراكي مكثف للصور ومقاطع الفيديو
Sa2VA هو أول نموذج موحد لفهم الإدراك الحسي العميق للصور والفيديوهات. بخلاف نماذج اللغات الكبيرة متعددة الوسائط الحالية، والتي غالبًا ما تقتصر على وسائط ومهام محددة، يدعم Sa2VA مجموعة واسعة من مهام الصور والفيديوهات، بما في ذلك تجزئة المرجع والمحادثة، مع الحد الأدنى من الضبط الدقيق للقطات الفردية.
تشغيل عبر الإنترنت:https://go.hyper.ai/tj2bX
برنامج تعليمي لإعادة البناء ثلاثي الأبعاد
1. تقدير العمق أحادي العين: أداة تقدير العمق أحادية العين
يدمج المشروع مزايا نماذج المصدر المفتوح المتعددة من خلال خوارزمية التقطير، مما يحقق تقدير عمق عالي الدقة مع كمية صغيرة فقط من البيانات غير المسمى، وتحديث أداء SOTA (أحدث التقنيات) الحالي.
تشغيل عبر الإنترنت:https://go.hyper.ai/DNSf5
2. VGGT: نموذج رؤية ثلاثي الأبعاد عام
VGGT هي شبكة عصبية ذات تغذية أمامية تستنتج مباشرةً جميع الخصائص ثلاثية الأبعاد الرئيسية للمشهد، بما في ذلك معلمات الكاميرا الخارجية والداخلية، وخرائط النقاط، وخرائط العمق، ومسارات النقاط ثلاثية الأبعاد، من رؤية واحدة أو بضع رؤى أو مئات الرؤى في ثوانٍ. كما أنها بسيطة وفعالة، حيث تُعيد بناء المشهد في أقل من ثانية، متفوقةً بذلك على الطرق البديلة التي تتطلب معالجة لاحقة باستخدام تقنيات تحسين الهندسة البصرية.
تشغيل عبر الإنترنت:https://go.hyper.ai/e8xzG
3. UniDepthV2: تقدير العمق المتري أحادي العين العالمي
UniDepthV2 قادر على إعادة بناء مشاهد ثلاثية الأبعاد مترية من صورة واحدة فقط عبر نطاقات متعددة. بخلاف نموذج MMDE الحالي، يتنبأ UniDepthV2 مباشرةً بنقاط ثلاثية الأبعاد مترية من الصورة المدخلة في وقت الاستدلال دون أي معلومات إضافية، سعياً لتحقيق حل MMDE عام ومرن.
تشغيل عبر الإنترنت:https://go.hyper.ai/JdgZC
برنامج تعليمي للتعرف الضوئي على الحروف (OCR)
1. MonkeyOCR: تحليل المستندات استنادًا إلى النموذج الثلاثي للبنية والتعرف على العلاقة
يدعم MonkeyOCR التحويل الفعّال لمحتوى المستندات غير المهيكلة إلى معلومات مهيكلة. يدعم هذا النموذج مجموعة متنوعة من أنواع المستندات، بما في ذلك الأوراق الأكاديمية والكتب المدرسية والصحف، وهو قابل للتطبيق بلغات متعددة، مما يوفر دعمًا قويًا لرقمنة المستندات ومعالجتها تلقائيًا.
تشغيل عبر الإنترنت:https://go.hyper.ai/s9GE2
2. Nanonets-OCR-s: أداة لاستخراج معلومات المستندات وقياس أدائها
تستطيع أنظمة Nanonets-OCR التعرف على عناصر متنوعة في المستندات، مثل الصيغ الرياضية والصور والتوقيعات والعلامات المائية ومربعات الاختيار والجداول، وتنظيمها بتنسيق Markdown منظم. هذه القدرة تجعلها ممتازة في معالجة المستندات المعقدة، مثل الأوراق الأكاديمية والوثائق القانونية وتقارير الأعمال.
يستخدم هذا البرنامج التعليمي بطاقة RTX 4090 واحدة كمورد. يتضمن البرنامج التعليمي وظيفتين: استخراج المعلومات والصور من المستندات، وتحويل ملفات PDF إلى Markdown.
تشغيل عبر الإنترنت:https://go.hyper.ai/1uPym
💡أنشأنا أيضًا مجموعة لتبادل دروس الانتشار المستقر. نرحب بالأصدقاء للانضمام إلى Neural Star (معرف WeChat: Hyperai01) وملاحظة [دروس SD] للانضمام إلى المجموعة لمناقشة مختلف المشاكل التقنية ومشاركة نتائج التطبيقات.
توصيات الورقة البحثية لهذا الأسبوع
1.FocalAD: تخطيط الحركة المحلية للقيادة الذاتية الشاملة
تقترح هذه الورقة البحثية FocalAD، وهو إطار عمل مبتكر ومتكامل للقيادة الذاتية، يُركز على الجيران المحليين المهمين ويُحسّن التخطيط من خلال تحسين تمثيل الحركة المحلية. يحتوي FocalAD تحديدًا على وحدتين أساسيتين: التفاعل بين الوكيل المحلي والذاتي (ELAI) وخسارة الوكيل المحلي والذاتي (FLA Loss).
رابط الورقة:https://go.hyper.ai/vjBZy
2.Biomni: عامل ذكاء اصطناعي طبي حيوي متعدد الأغراض
نقدم لكم Biomni: مساعد ذكاء اصطناعي متعدد الأغراض في مجال الطب الحيوي، مصمم لأداء مجموعة واسعة من مهام البحث بشكل مستقل في مختلف المجالات الفرعية للطب الحيوي. ولرسم خريطة منهجية لمجال العمل الطبي الحيوي، يستخدم Biomni وكلاء اكتشاف العمل لاستخراج الأدوات وقواعد البيانات والبروتوكولات الرئيسية من عشرات الآلاف من الأوراق البحثية في 25 مجالًا طبيًا حيويًا، مما يُنشئ أول بيئة موحدة للوكلاء.
رابط الورقة:https://go.hyper.ai/zTFzy
3.SeerAttention-R: تكيف الانتباه المتناثر للتفكير الطويل
تُقدّم هذه الورقة البحثية إطار عمل SeerAttention-R، وهو إطار عمل مُخصّص للانتباه المُتفرّق، مُصمّم لفكّ تشفير نماذج الاستدلال المُطوَّل. يُوسّع هذا الإطار إطار عمل SeerAttention، مُحافظًا على تصميم تعلم الانتباه المُتفرّق من خلال آلية بوابات التقطير الذاتي، مع إزالة تجميع الاستعلامات للتكيّف مع فكّ التشفير الانحداري التلقائي. بفضل آلية بوابات الإدراج خفيفة الوزن، يتسم SeerAttention-R بالمرونة، ويُمكن دمجه بسهولة في النماذج المُدرّبة مُسبقًا دون تعديل المُعاملات الأصلية.
رابط الورقة:https://go.hyper.ai/8XHpf
4.استعادة الصور النصية باستخدام نماذج الانتشار
في هذه الورقة، نقترح إطار عمل انتشار متعدد المهام، TeReDiff، يدمج الميزات الداخلية لنموذج الانتشار في وحدة كشف النصوص، مما يسمح لكلا المكونين بالاستفادة من التدريب المشترك. هذا يُمكّنه من استخراج تمثيلات نصية غنية يمكن استخدامها كإشارات في خطوة إزالة الضوضاء اللاحقة.
رابط الورقة:https://go.hyper.ai/3YDSf
5.التعلم التفاضلي الموحد للاستجابة الكهربائية
تُطبّق هذه الورقة البحثية إطار عمل لتعلم الآلة متكافئ التغيُّر، حيث تُشتقّ خصائص الاستجابة من العلاقة التفاضلية الدقيقة بين دالة الجهد المعممة والمجال الخارجي المُطبّق. تُركّز الطريقة على الاستجابة للمجال الكهربائي، مُتنبّئةً بالمحتوى الحراري الكهربائي، والقوة، والاستقطاب، وشحنة بورن، وقابلية الاستقطاب، في نموذج موحّد يُطبّق مجموعة كاملة من القيود الفيزيائية الدقيقة، والتناظرات، وقوانين الحفظ.
رابط الورقة:https://go.hyper.ai/AO8dM
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:https://go.hyper.ai/iSYSZ
تفسير مقالة المجتمع
اقترح فريق بحثي مشترك من جامعة هارفارد وشركة بوش حلاً مبتكرًا، وطوّر إطارًا موحدًا للتعلم التفاضلي للاستجابة الكهربائية. يستطيع هذا الإطار تعلم الطاقة الكامنة المعممة ودالة استجابتها للمحفزات الخارجية في آنٍ واحد في نموذج تعلم آلي واحد، متجاوزًا بذلك العيوب الجوهرية للنماذج المستقلة التقليدية، ومفتحًا آفاقًا جديدة للأبحاث عالية الدقة في الخصائص العازلة والكهربائية الحديدية للبلورات والمواد غير المنتظمة والسائلة.
شاهد التقرير الكامل:https://go.hyper.ai/d3cAc
ستستضيف شركة HyperAI الدورة السابعة من صالون Meet AI Compiler Technology Salon في مدينة تشونغ قوان تسون، بكين، في الخامس من يوليو. وقد دعا هذا الحدث أربعة خبراء كبار من AMD، وMuxi Integrated Circuit، وByteDance، وجامعة بكين لاستكشاف الممارسات المتطورة لمُجمّعي الذكاء الاصطناعي من وجهات نظر متعددة، بدءًا من التجميع منخفض المستوى ووصولًا إلى التطبيقات عالية المستوى.
شاهد التقرير الكامل:https://go.hyper.ai/elNCA
قامت جامعة شاندونغ للتكنولوجيا، بالتعاون مع فرق بحثية من جامعة بكين للغابات، وأكاديمية قوانغدونغ للعلوم الزراعية، وجامعة ساو باولو في البرازيل، وجامعة روزاليند فرانكلين للعلوم الطبية في المملكة المتحدة، وجامعة أوميا في السويد، ببناء نموذج PlantLncBoost بشكل مشترك، مما يوفر حلاً منهجيًا لمشكلة تعميم تحديد lncRNA للنبات.
شاهد التقرير الكامل:https://go.hyper.ai/M88RZ
قام قسم علوم وهندسة المواد في معهد ماساتشوستس للتكنولوجيا، بالتعاون مع فريق متعدد الأقسام، بتطوير نهج جديد قائم على البيانات يعتمد على نموذج لغوي كبير (LLM) وهندسة شبكة عصبية متعددة الرؤوس لتحقيق التنبؤ والفحص واسع النطاق لتفاعلية مواد بدائل الأسمنت.
شاهد التقرير الكامل:https://go.hyper.ai/rtvf4
من أجل السماح لمزيد من المستخدمين بمعرفة أحدث التطورات في مجال الذكاء الاصطناعي في الأوساط الأكاديمية، أطلق الموقع الرسمي لـ HyperAI (hyper.ai) الآن قسم "أحدث الأوراق البحثية"، والذي يقوم بتحديث أوراق البحث المتطورة في مجال الذكاء الاصطناعي كل يوم، والتي تغطي مجالات رأسية متعددة مثل التعلم الآلي، واللغة الحاسوبية، والرؤية الحاسوبية والتعرف على الأنماط، والتفاعل بين الإنسان والحاسوب.
شاهد التقرير الكامل: https://go.hyper.ai/ttAl7
مقالات موسوعية شعبية
1. دال-إي
2. دمج الفرز المتبادل RRF
3. جبهة باريتو
4. فهم اللغة متعدد المهام على نطاق واسع (MMLU)
5. التعلم التبايني
فيما يلي مئات المصطلحات المتعلقة بالذكاء الاصطناعي التي تم تجميعها لمساعدتك على فهم "الذكاء الاصطناعي" هنا:
الموعد النهائي للقمة في يوليو
2 يوليو 7:59:59 قاعدة بيانات VLDB 2026
11 يوليو 7:59:59 بوبل 2026
15 يوليو 7:59:59 صودا 2026
18 يوليو 7:59:59 سيجمود 2026
19 يوليو 7:59:59 اي سي اس اي 2026
تتبع شامل لأفضل المؤتمرات الأكاديمية في مجال الذكاء الاصطناعي:https://go.hyper.ai/event
إن ما ورد أعلاه هو كل محتوى اختيار المحرر لهذا الأسبوع. إذا كان لديك موارد تريد تضمينها على الموقع الرسمي لـ hyper.ai، فنحن نرحب بك أيضًا لترك رسالة أو إرسال مقال لإخبارنا بذلك!
نراكم في الاسبوع القادم!