في المؤتمر الدولي السادس والعشرين للتعلم الآلي (ICML 26) الذي تم الإعلان عنه مؤخراً،فاز فريق البحث من جامعة تسينغهوا بجائزة البحث المتميز.

تركز هذه الدراسة على نماذج اللغة المنتشرة (dLLM). على الرغم من أن نماذج اللغة المنتشرة قد حققت تقدماً كبيراً في مجال معالجة اللغة الطبيعية بفضل خصائصها المتمثلة في التوليد غير المنتظم وفك التشفير المتوازي، إلا أن الفريق يشير إلى أن هذه الآلية تعاني من "فخ المرونة" عند التعامل مع مهام الاستدلال العامة مثل الرياضيات والبرمجة: حيث يتسبب التوليد غير المنتظم في تجاوز النموذج للكلمات المنطقية ذات درجة عدم اليقين العالية، مما يحد من إمكاناته الاستدلالية.

لمعالجة هذه المشكلة، اقترح الفريق نموذج JustGRPO. يتخلى هذا النهج عن التعديلات المعقدة للتعلم المعزز، ويُدخل مباشرةً التسلسل التراجعي الذاتي (AR) وخوارزمية GRPO القياسية أثناء التدريب، مع الحفاظ على مزايا فك التشفير المتوازي لـ dLLM أثناء الاستدلال. يُطلق هذا التصميم البسيط إمكانات الاستدلال للنموذج بفعالية، محققًا دقة 89.11 TP3T في معيار GSM8K.

يعرض موقع HyperAI الآن "JustGRPO: إطلاق العنان لقوة الاستدلال لنماذج لغة الانتشار باستخدام GRPO القياسي"، لذا تعال وجربه!

عنوان الورقة:فخ المرونة: إعادة النظر في قيمة الترتيب التعسفي في نماذج لغة الانتشار

رابط الورقة:https://go.hyper.ai/hM7mt

الاستخدام عبر الإنترنت:https://go.hyper.ai/c1a0C

نرحب بكم لزيارة موقعنا الإلكتروني الرسمي لمزيد من المعلومات:

https://hyper.ai

نظرة سريعة على تحديثات الموقع الرسمي لشركة hyper.ai من 4 يوليو إلى 10 يوليو:

* مجموعات البيانات العامة عالية الجودة: 10

* مجموعة مختارة من الدروس التعليمية عالية الجودة: 9

* تحليل مقالات المجتمع: مقال واحد

* إدخالات الموسوعة الشعبية: 5

قم بزيارة الموقع الرسمي:هايبر.اي

مجموعات البيانات العامة المختارة

1. مجموعة بيانات "آخر امتحان للوكلاء" لمهام الوكلاء طويلة الأمد.

مجموعة بيانات "الاختبار الأخير للوكلاء" هي مجموعة بيانات مهام تركز على تقييم أداء الوكلاء الحاسوبيين في مهام مهنية طويلة الأمد. تهدف هذه المجموعة إلى توفير وصف منظم لتقييم الوكلاء. تحتوي مجموعة البيانات على معلومات حول 153 مهمة من اختبار "الاختبار الأخير للوكلاء" (ALE) المعياري، وتشمل بيانات مثل عناوين المهام، وملخصاتها، وأنظمة تصنيفها، وتعليمات التشغيل الكاملة، وقوائم الإجراءات المطلوبة، والبرامج المتوقعة، ووصف ملفات الإدخال.

الاستخدام عبر الإنترنت:https://go.hyper.ai/p8Y8D

2. مجموعة بيانات WGO-Bench Robot Video Benchmark

WGO-Bench هي مجموعة بيانات مرجعية لفيديوهات الروبوتات، أصدرتها شركة Macrodata Labs. تهدف هذه المجموعة إلى تقييم قدرة نماذج اللغة المرئية على تحويل فيديوهات الحركة، سواءً كانت من منظور الروبوت أو من منظور الشخص الأول، إلى شروح تفصيلية للمهام الفرعية مُؤرَّخة. تركز هذه المجموعة بشكل أساسي على مهمتين: اكتشاف الحدود وشرح المهام الفرعية. تُركز الشروح التفصيلية على وصف أحداث الحركة الكاملة وتغيرات الحالة الظاهرة في مقاطع الفيديو.

الاستخدام عبر الإنترنت:https://go.hyper.ai/TPr8O

3. مجموعة بيانات RedlineBench المعيارية للتفاوض على العقود القانونية

تُعدّ RedlineBench، التي أطلقتها شركة Crosby عام 2026، مجموعة بيانات مرجعية لتقييم مفاوضات العقود القانونية. وتهدف إلى قياس قدرة أنظمة الذكاء الاصطناعي على إجراء تعديلات على بنود العقود واتخاذ قرارات التفاوض في سيناريوهات معاملات تجارية واقعية. تحتوي مجموعة البيانات على 140 مهمة قابلة للتنفيذ على منصة Harbor، تغطي ثلاثة سيناريوهات تفاوض متعددة الجولات، يتألف كل منها من أربع جولات متناوبة.

الاستخدام عبر الإنترنت:https://go.hyper.ai/b2EzE

4. مجموعة بيانات مباريات كأس العالم لكرة القدم 2026

مجموعة بيانات كأس العالم FIFA 2026 هي مجموعة بيانات لمباريات كأس العالم FIFA 2026، مصممة لتحليل بيانات كرة القدم ونمذجة التعلم الآلي. تهدف هذه المجموعة إلى دعم التحليل المعمق لمعلومات كرة القدم، والنمذجة الإحصائية، ومهام التنبؤ باستخدام التعلم الآلي. تتألف مجموعة البيانات من ثلاثة مكونات أساسية: بيانات المباريات المنظمة، وبيانات اللاعبين، وبيانات الفرق، وتغطي معلومات إحصائية متعددة الأبعاد على مستوى المباراة واللاعب والفريق.

الاستخدام عبر الإنترنت:https://go.hyper.ai/idr4l

5. مجموعة بيانات أوامر استدلال الصوت والفيديو OmniVideo-100K

OmniVideo-100K هي مجموعة بيانات لاستنتاج الصوت والفيديو، صدرت في يونيو 2026 من جامعة نانجينغ بالتعاون مع معهد الأتمتة التابع للأكاديمية الصينية للعلوم. صُممت هذه المجموعة لتحسين دقة التعليمات في نماذج اللغة متعددة الوسائط واسعة النطاق، بهدف تعزيز قدرات النموذج التعاونية في التسلسلات الزمنية طويلة المدى والترابطات بين الوسائط. تحتوي مجموعة البيانات على 100,000 زوج من الأسئلة والأجوبة من 5,214 مقطع فيديو على يوتيوب، تغطي 10 فئات من مهام الإجابة على الأسئلة الصوتية والمرئية، مصنفة ضمن ثلاثة مستويات معرفية: التوافق، والفهم، والاستدلال.

الاستخدام عبر الإنترنت:https://go.hyper.ai/aJIuZ

6. مجموعة بيانات الضبط الدقيق لتعليمات Nemotron-SFT-SWE-v3

Nemotron-SFT-SWE-v3 هي مجموعة بيانات لضبط تعليمات هندسة البرمجيات، أصدرتها NVIDIA عام 2026، مصممة لتحسين فهم التعليمات البرمجية وقدرات إصلاحها في نماذج اللغة الكبيرة ضمن مهام SWE-Bench. تحتوي هذه المجموعة على 237,970 عينة، جُمعت من مسارات وكلاء باستخدام أطر عمل مختلفة مثل OpenHands وSWE-agent وmini-SWE-agent، ووُسمت باستخدام أساليب آلية واصطناعية.

الاستخدام عبر الإنترنت:https://go.hyper.ai/qOzpP

7. مجموعة بيانات ضبط تعليمات وكيل Open-SWE-Traces

تُعدّ Open-SWE-Traces، التي أطلقتها NVIDIA عام 2026، مجموعة بيانات لضبط تعليمات الوكلاء في نماذج اللغات الكبيرة. وتهدف إلى تحسين قدرات النموذج على إصلاح التعليمات البرمجية واستدعاء الأدوات متعددة الخطوات في هندسة البرمجيات. تحتوي مجموعة البيانات على 207,489 مسارًا لتفاعل الوكلاء، تمّ توليدها باستخدام خوارزميتي Minimax-M2.5 وQwen3.5-122B-A10B، وجمعها باستخدام إطار عمل SWE-agent وOpenHands، وتغطي لغات برمجة متعددة.

الاستخدام عبر الإنترنت:https://go.hyper.ai/WckNP

8. مجموعة بيانات RadImageNet-VQA للإجابة على الأسئلة المرئية للصور الطبية

RadImageNet-VQA هي مجموعة بيانات طبية واسعة النطاق تُستخدم في مهام الإجابة على الأسئلة المرئية في مجال الأشعة. تهدف هذه المجموعة إلى تحسين الفهم البصري وقدرات الاستدلال في الإجابة على الأسئلة للنماذج الطبية متعددة الوسائط في صور الأشعة المقطعية/الرنين المغناطيسي. وتُستخدم على نطاق واسع في مهام الإجابة على الأسئلة المرئية الطبية، وتدريب وتقييم نماذج تحليل الصور الإشعاعية، وتطوير البحث والتطبيقات في مجال الذكاء الاصطناعي الطبي متعدد الوسائط.

الاستخدام عبر الإنترنت:https://go.hyper.ai/WzGOV

9. مجموعة بيانات معيارية لنموذج لغة العالم AgentWorldBench

يُعدّ AgentWorldBench، الذي أصدرته شركة Qwen عام 2026، مجموعة بيانات مرجعية شاملة لتقييم نماذج عالم اللغة، مصممة لتقييم قدراتها في نمذجة البيئة والاستدلال. تحتوي مجموعة البيانات على 2170 عينة بمتوسط 22.8 جولة تفاعل، وهي مبنية على مسارات نماذج من العالم الحقيقي من معايير مرجعية رئيسية مثل Tool Decathlon وTerminal-Bench 1.0/2.0 وOSWorld-Verified.

الاستخدام عبر الإنترنت:https://go.hyper.ai/y1s1b

10. حزمة GeneBench-Pro العامة: مجموعة بيانات قياس أداء حالات الجينات

تُعدّ حزمة GeneBench-Pro العامة مجموعة بيانات مرجعية متاحة للعموم لتحليل الجينات، وقد أصدرتها OpenAI. تهدف هذه الحزمة إلى توفير بيئة تقييم قابلة للتكرار لدراسات الحالة البحثية لوكلاء الذكاء الاصطناعي في مجالي علم الجينوم والطب الحيوي. تحتوي مجموعة البيانات على 10 حالات دراسية مستقلة في مجالي علم الجينوم والمعلوماتية الحيوية، وتغطي مجالات مثل علم الوراثة الإحصائي، وعلم الجينوم السريري، وعلم الوراثة السكانية، وتحليل الخلايا المفردة، وعلم الجينوم ثلاثي الأبعاد، وعلم الجينوم الوظيفي.

الاستخدام عبر الإنترنت:https://go.hyper.ai/qd9PF

دروس تعليمية عامة مختارة

1. JustGRPO: إطلاق العنان لقوة الاستدلال لنماذج لغة الانتشار باستخدام GRPO القياسي

أصدر فريق LeapLab بجامعة تسينغهوا نموذج JustGRPO في يناير 2026. وتتمثل أبرز ميزاته وابتكاراته في: أسلوب تعلم معزز بسيط يتعامل مع نموذج لغة الانتشار (DLM) كنموذج انحدار ذاتي قياسي أثناء التدريب، ويطبق مباشرةً خوارزمية تحسين السياسة النسبية الجماعية (GRPO). ويحقق هذا النموذج أداءً استدلاليًا متميزًا (GSM8K 89.1%) دون الحاجة إلى تقريب المسار، أو تقدير الاحتمالية الهامشية، أو أي تعديل خاص بالانتشار. 

تشغيل عبر الإنترنت:https://go.hyper.ai/c1a0C

2. التنبؤ بمرض الشريان التاجي: استنادًا إلى مجموعة بيانات فرامنغهام

فرامنغهام هي مجموعة بيانات لأبحاث أمراض القلب، أصدرها المعهد الوطني للقلب والرئة والدم في سبتمبر 1948. وقد بُنيت نماذج تصنيف متعددة للتعلم الآلي للتنبؤ بخطر إصابة الفرد بمرض الشريان التاجي خلال السنوات العشر القادمة. غطى المشروع بشكل شامل خطوات رئيسية، بما في ذلك تنظيف البيانات، وتحليل البيانات الاستكشافي، وهندسة الميزات، ومعالجة عدم توازن الفئات، وضبط المعلمات الفائقة، والتعلم الجماعي.

تشغيل عبر الإنترنت:https://go.hyper.ai/tMRDG

3. درس تمهيدي حول الخوارزميات الجينية: خوارزميات التحسين العالمي القائمة على الانتقاء الطبيعي

الخوارزمية الجينية (GA) هي خوارزمية تحسين مستوحاة من نظرية داروين في الانتخاب الطبيعي. تحاكي هذه الخوارزمية آليات الانتخاب والتهجين والطفرة في التطور البيولوجي لإيجاد الحلول المثلى بكفاءة في فضاء البحث. يقدم هذا الدرس المفاهيم الأساسية للخوارزميات الجينية بأسلوب سهل الفهم، ويشرح عملية الخوارزمية الجينية كاملةً خطوة بخطوة باستخدام تحسين دالة الكرة كمثال.

تشغيل عبر الإنترنت:https://go.hyper.ai/Bm7Pr

4. هيغز أوديو الإصدار الثالث: نموذج توليف الكلام متعدد اللغات للمحادثة

أصدرت شركة Boson AI في يونيو 2026 نموذج Higgs Audio v3 TTS، وهو نموذج محادثة لتحويل النص إلى كلام مصمم خصيصًا لأنظمة الوكلاء الصوتيين. يعتمد النموذج على مُفكِّك ترميز تلقائي الانحدار يحتوي على ما يقارب 4 مليارات مُعامل، حيث يقوم بترميز الكلام إلى 8 مجموعات من رموز الصوت المنفصلة بمعدل 25 إطارًا في الثانية باستخدام مُجزِّئ Higgs، ثم يُعيد بناء شكل الموجة بمعدل أخذ عينات 24 كيلوهرتز. يدعم النموذج توليف الصوت بدون تدريب مسبق لأكثر من 100 لغة، كما يُمكنه إجراء استنساخ صوتي مباشر بدون تدريب مسبق، ويتيح تحكمًا دقيقًا في المشاعر والأسلوب والنبرة وفترات الصمت والمؤثرات الصوتية من خلال علامات تحكم مُضمَّنة.

تشغيل عبر الإنترنت:https://go.hyper.ai/Sj9mk

5. ضبط GPT بدقة باستخدام nanoGPT على مجموعة بيانات شكسبير.

nanoGPT Shakespeare هو إطار عمل لتوليد النصوص على نمط شكسبير مبني على مشروع nanoGPT الذي أصدره أندريه كارباثي في يناير 2023. وهو يستخدم GPT-2 (124 مليون) الذي أصدرته OpenAI في فبراير 2019 كأساس للتدريب المسبق ويقدم استراتيجية ضبط دقيق للمحولات، والتي يمكن تدريبها بسرعة على وحدات معالجة الرسومات من الدرجة الاستهلاكية لتوليد نصوص على نمط شكسبير.

تشغيل عبر الإنترنت:https://go.hyper.ai/iqcyS

6. التجزئة 3.0: نموذج تجزئة متعدد المتحدثين "باور سيت"

يُعدّ Segmentation-3.0، الذي أصدره فريق Pyannote في سبتمبر 2023، نموذجًا خفيفًا لتقسيم الصوت، مُدرّبًا على مكتبة pyannote.audio 3.0.0، ويُستخدم بشكل أساسي في مهام تحليل الكلام على مستوى الإطارات. يستقبل النموذج ملفًا صوتيًا أحاديًا بتردد 16 كيلوهرتز، مدته 10 ثوانٍ، كمدخل، ويُخرج مصفوفة تصنيف متعددة المتحدثين. يعتمد النموذج على بنية PyanNet، ويتكون من طبقات SincNet وLSTM وطبقات خطية، ويحتوي على ما يقارب 1.47 مليون مُعامل.

تشغيل عبر الإنترنت:https://go.hyper.ai/rXNuo

7. نشر الاستدلال GGUF لـ Qwythos-9B-Claude-Mythos-5-1M

Qwythos-9B-Claude-Mythos-5-1M هو نموذج لغوي ضخم قائم على الاستدلال، طوّرته شركة Empero في يونيو 2026، وتم تدريبه على Qwythos3.5-9B بجميع معاييره. يتميز هذا النموذج بقدرات استدلالية محسّنة، حيث حقق تحسناً بمقدار 34 نقطة في مؤشر MMLU و30 نقطة في مؤشر gsm8k-strict مقارنةً بـ Qwythos3.5-9B الأصلي. يدعم النموذج استدعاءات الدوال الأصلية، ملتزماً بتنسيق استدعاء الأدوات المحدد في Qwythos3.5؛ كما تم تفعيل خاصية YaRN rope-scaling افتراضياً، مما يدعم مليون سياق فائق الطول؛ ويرث النموذج قدرات الرؤية متعددة الوسائط من Qwythos3.5-9B. لا يخضع النموذج لقيود الرقابة، ويمكنه التعامل مع قضايا تقنية متخصصة مثل الأمن السيبراني والطب الحيوي.

تشغيل عبر الإنترنت:https://go.hyper.ai/dxqRP

8. تصنيف الأحجية للسمية الناتجة عن التحيز غير المقصود - دليل تحليل البيانات الاستكشافي

في عام ٢٠١٨، استضافت منصتا Kaggle وJigsaw مسابقة لتصنيف التعليقات المسيئة. إلا أنه نتيجةً لعدم توازن بيانات التدريب، طوّر النموذج تحيزات غير مقصودة، حيث ربط بشكل خاطئ مصطلحات الهوية مثل "مثلي الجنس" بالسلوكيات المسيئة، مما أدى إلى تصنيف التعليقات المحايدة خطأً على أنها مسيئة. ولمعالجة هذه المشكلة، أطلق الفريق مسابقة جديدة تهدف إلى القضاء على التحيز ضد فئات هوية محددة.

تشغيل عبر الإنترنت:https://go.hyper.ai/LnJ2r

9. Qwen-AgentWorld-35B-A3B: أول نموذج لعالم اللغة يغطي سبعة مجالات رئيسية لتفاعل الوكلاء.

يُعدّ Qwen-AgentWorld-35B-A3B نموذجًا لعالم اللغة الأصلية، وقد أصدره فريق Qwen التابع لمجموعة علي بابا في يونيو 2026. وهو ليس نموذجًا تقليديًا للغة المحادثة واسعة النطاق، بل بُني على Qwen3.5-35B-A3B-Base، ويأخذ في الاعتبار تصرفات الوكيل وسجل تفاعلاته كمدخلات، ويتنبأ بالحالة البيئية التالية من خلال الاستدلال طويل السلسلة، وبالتالي يحاكي بيئة تفاعل الوكيل، مثل المحطات الطرفية والبحث واستخدام الأدوات.

تشغيل عبر الإنترنت:https://go.hyper.ai/PbwGD

تفسير مقالة المجتمع

1. أصدرت OpenAI برنامج GeneBench-Pro، الذي يقيم قدرات البحث في مجال الذكاء الاصطناعي عبر 129 سؤالاً و10 مجالات.

اقترح فريق البحث في OpenAI مؤخرًا نسخة محدثة من GeneBench، وهي GeneBench-Pro، التي تغطي نطاقًا أوسع من المجالات الصناعية والأكاديمية. لم تعد مقتصرة على علم الجينوم، بل تمتد لتشمل سيناريوهات تتطلب استدلالًا إحصائيًا متعدد المراحل، مثل البيولوجيا الجزيئية والكمية، وعلم الصيدلة الجينية، وبيولوجيا السرطان، وعلم الجينوم الميكروبي، والتطبيق السريري.

شاهد التقرير الكامل:https://go.hyper.ai/yS7Cv

مقالات موسوعية شعبية

1. نموذج العمل العالمي (WAM)

2. رمز الخلل

3. المتوسط التوافقي

4. اختبار وضع الظل

5. متوسط النموذج البايزي

فيما يلي مئات المصطلحات المتعلقة بالذكاء الاصطناعي التي تم تجميعها لمساعدتك على فهم "الذكاء الاصطناعي" هنا:

https://go.hyper.ai/wiki

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!

حول HyperAI

HyperAI (hyper.ai) هي شركة رائدة في مجال الذكاء الاصطناعي والحوسبة عالية الأداء في الصين.نحن ملتزمون بأن نصبح البنية التحتية في مجال علوم البيانات في الصين وتوفير موارد عامة غنية وعالية الجودة للمطورين المحليين. حتى الآن، لدينا:

* يوفر نقاط تنزيل محلية معجلة لأكثر من 2100 مجموعة بيانات عامة

* يتضمن أكثر من 700 درس تعليمي كلاسيكي وشائع عبر الإنترنت

* تحليل أكثر من 300 دراسة حالة من أوراق بحثية حول الذكاء الاصطناعي للعلوم

* يدعم البحث عن أكثر من 700 مصطلح ذي صلة

* استضافة أول وثائق كاملة حول Apache TVM باللغة الصينية في الصين

قم بزيارة الموقع الرسمي لبدء رحلة التعلم الخاصة بك:

https://hyper.ai