128 ألف سياق طويل + تدريب تعزيز الوكيل! يتيح LFM2.5-2.6B نشرًا فعالًا للنماذج الكبيرة على الحافة؛ يستخدم DETR المحول لتجاوز NMS والمثبتات، مما يعيد تشكيل اكتشاف الكائنات.

مع انتقال وكلاء الذكاء الاصطناعي تدريجياً من الحوسبة السحابية إلى أجهزة المستخدمين، يصبح تحقيق تنفيذ المهام بجودة عالية مع قدرة حاسوبية وذاكرة محدودة أمراً بالغ الأهمية. تم تصميم LFM2.5-2.6B لتلبية هذه الحاجة. استنادًا إلى بنية LFM2، يقدم هذا النموذج سياقًا طويلًا يصل إلى 128 ألفًا وتدريبًا معززًا للوكيل، مما يُظهر أداءً فائقًا في استدعاء الأدوات، والامتثال للتعليمات، والمهام متعددة الخطوات، ويمكنه منافسة النماذج ذات أحجام المعلمات الأكبر بأربعة أضعاف.تم تدريب النموذج وتحسينه ليتوافق مع أطر عمل الوكلاء الشائعة لتعزيز التوافق في التطبيقات العملية. والأهم من ذلك، أنه يحقق سرعات استدلال تصل إلى 220 توكا/ثانية على معالج Apple M5 Max و113 توكا/ثانية على معالج AMD Ryzen، مع استهلاك ذاكرة أقل من 2.5 جيجابايت، مما يحقق توازنًا مثاليًا بين التصميم الخفيف والأداء العالي، ويوفر خيارًا جديدًا لنشر وكلاء الحافة.

يعرض موقع HyperAI الإلكتروني الآن "LFM2.5-2.6B: نموذج استدلال فعال للوكلاء لنشر الحوسبة الطرفية". جربه!

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

نظرة سريعة على تحديثات الموقع الرسمي لشركة hyper.ai من 7 أغسطس إلى 13 أغسطس:

* مجموعات البيانات العامة عالية الجودة: 5

* مجموعة مختارة من الدروس التعليمية عالية الجودة: 6

* إدخالات الموسوعة الشعبية: 5

قم بزيارة الموقع الرسمي:هايبر.اي

مجموعات البيانات العامة المختارة

1. مجموعة بيانات مسار حوار المحادثة GLM-5.2

مجموعة بيانات GLM-5.2-Conversation هي مجموعة بيانات مسارات حوارية مصممة لتوفير مدونة أسئلة وأجوبة واسعة النطاق باللغتين الصينية والإنجليزية، وذلك لضبط نماذج المحادثة الكبيرة بدقة تحت الإشراف (SFT) واستخلاص الاستدلال منها. تحتوي مجموعة البيانات على 50,000 عينة من مسارات الحوار، تم إنشاؤها بواسطة GLM-5.2 في وضع الاستدلال العالي. تتكون كل عينة من سؤال من المستخدم وإجابة استدلالية كاملة من النموذج، وتغطي مواضيع متنوعة مثل البرمجة والرياضيات والفيزياء والكتابة الإبداعية والإجابة على الأسئلة المنطقية.

الاستخدام عبر الإنترنت:https://go.hyper.ai/T2GCb

2. مجموعة بيانات مسار وكيل XYZ-Aquila SFT متعددة الجولات

مجموعة بيانات XYZ-Aquila SFT هي مجموعة بيانات مسارات متعددة المراحل لوكلاء البحث، أصدرتها شركة XYZAILab. تهدف هذه المجموعة إلى توفير بيانات مسارات استدعاء الأدوات ثنائية اللغة عالية الجودة، والمتعددة المراحل، لضبط وكلاء البحث بدقة تحت الإشراف (SFT). تحتوي مجموعة البيانات على 7000 مسار لاستخدام أدوات البحث، منها 5000 مثال باللغة الإنجليزية و2000 مثال باللغة الصينية. تُعد هذه المجموعة عينة من مجموعة بيانات الضبط الدقيق تحت الإشراف المستخدمة في نموذجي XYZ-Aquila-mini وXYZ-Aquila-pro. يسجل كل مثال عملية تفاعل وكيل واحدة بالكامل، بما في ذلك استدعاء أداة البحث، والملاحظات الوسيطة، وتوليد الاستجابات باللغتين الصينية والإنجليزية.

الاستخدام عبر الإنترنت:https://go.hyper.ai/t7r54

3. توليف المهام المتكررة: توليف مجموعات بيانات المهام المتكررة

مجموعة بيانات Recursive-Task-Synthesis هي مجموعة بيانات لمهام اصطناعية متكررة، مصممة خصيصًا للتعلم المعزز وتقييم قدرات وكلاء الذكاء الاصطناعي الذين يعملون عبر سطر الأوامر. تهدف هذه المجموعة إلى تزويد الباحثين بنماذج مهام واقعية قابلة للتنفيذ ومُدققة. تحتوي مجموعة البيانات على 37,484 نموذجًا مُدققًا لمهام سطر الأوامر، كل منها مصحوب بتعليمات باللغة الطبيعية، وإجابات مرجعية، وبيانات مصدرية، وبيئة تشغيل Docker مُعدة مسبقًا. تغطي المهام مجالات تقنية متعددة، تشمل تطوير البرمجيات، وصيانة الأنظمة، وكتابة البرامج النصية.

الاستخدام عبر الإنترنت:https://go.hyper.ai/ZsQ2L

4. مجموعة بيانات أعطال حماية نظام الطاقة PROTECT-90

PROTECT-90 هي مجموعة بيانات لأشكال موجات أعطال حماية أنظمة الطاقة، مصممة لتوفير بيانات مرجعية موحدة وقابلة للتكرار لأبحاث حماية أنظمة الطاقة وتحليل الظواهر العابرة. تحتوي هذه المجموعة على 9022 حالة محاكاة للظواهر العابرة الكهرومغناطيسية، تم توليدها جميعًا ضمن بنية دارة مزدوجة قياسية بجهد 90 كيلوفولت. يوفر كل جزء ثانية واحدة من أشكال موجات الجهد والتيار المتزامنة ثلاثية الأطوار بمعدل أخذ عينات 6.4 كيلوهرتز (128 نقطة أخذ عينات لكل دورة 50 هرتز)، مسجلة في 8 مواقع قياس متعلقة بالحماية، بإجمالي 48 قناة لموجات متزامنة.

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

5. مجموعة بيانات الطقس عبر الأقمار الصناعية للقارة البحرية

بيانات الطقس عبر الأقمار الصناعية للقارات البحرية هي مجموعة بيانات صور أرصاد جوية فضائية للمناطق القارية البحرية، مصممة لاستكشاف تطبيق التعلم العميق في التنبؤات الجوية والتنبؤات الآنية، ودعم الأبحاث في التنبؤ بهطول الأمطار، وتحديد العواصف الرعدية، ودمج النماذج متعددة الوسائط. تحتوي مجموعة البيانات على 95,036 إطارًا من صور الأشعة تحت الحمراء الملتقطة كل ساعة بواسطة القمر الصناعي Himawari-8/9، مقترنة ببيانات الأرصاد الجوية، وتغطي المنطقة القارية البحرية الغربية (جنوب شرق آسيا ومضيق ملقا، بما في ذلك سنغافورة وإندونيسيا وماليزيا وتايلاند)، بالإضافة إلى بيانات الطقس السطحي لـ 23 مدينة في هذه الدول. يحتوي كل ملف خاص بمدينة على 97,056 صفًا من البيانات.

الاستخدام عبر الإنترنت:https://go.hyper.ai/2dOI3

دروس تعليمية عامة مختارة

1. LFM2.5-2.6B: نموذج استدلال فعال للوكيل لنشر المستخدم النهائي

أصدرت شركة Liquid AI في أغسطس 2026 نموذج LFM2.5-2.6B، وهو نموذج لغة معماري هجين خفيف الوزن ضمن سلسلة LFM2.5، مصمم خصيصًا للنشر على الحافة. يدعم هذا النموذج 128 ألف سياق طويل جدًا، ويتمتع بقدرات قوية لاستدعاء أدوات الوكلاء. يستخدم النموذج 22 وحدة تلافيفية قصيرة ثنائية البوابات و8 وحدات GQA، مما يحقق توازنًا مثاليًا بين الأداء والكفاءة الحسابية. يتم تدريب النموذج لاحقًا باستخدام التعلم المعزز للوكلاء، ويمكن استخدامه في سيناريوهات متنوعة مثل سير عمل الوكلاء، وفهم المستندات الطويلة، وRAG، والاستدلال على الحافة.

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

2. برنامج تعليمي في معالجة اللغة الطبيعية: مطابقة تشابه عبارات براءات الاختراع باستخدام DeBERTa

صُمم هذا البرنامج التعليمي للمبتدئين في مجال معالجة اللغة الطبيعية، حيث يستخدم مطابقة تشابه عبارات براءات الاختراع كدراسة حالة لشرح العمليات الأساسية لمعالجة اللغة الطبيعية من الصفر. ويعتمد البرنامج على Microsoft DeBERTa-v3 و HuggingFace Transformers، ويغطي استكشاف البيانات، وتجزئة الكلمات، وتدريب النموذج وتقييمه، ويمكن استخدامه في مهام مثل تحليل تشابه نصوص براءات الاختراع، والبحث الدلالي، وتصنيف النصوص، والانحدار.

تشغيل عبر الإنترنت:https://go.hyper.ai/3R3Yp

3. DETR: الكشف الشامل عن الأجسام باستخدام Transformer

يُعدّ DETR (محوّل الكشف)، الذي أطلقته شركة أبحاث الذكاء الاصطناعي في فيسبوك (FAIR) عام 2020، نموذجًا شاملًا للكشف عن الأجسام، يُعيد تعريف الكشف عن الأجسام كمسألة تنبؤ مباشر بالمجموعات. يستبدل هذا النموذج خطوات المعالجة اللاحقة المعقدة، مثل NMS و Anchors في أجهزة الكشف التقليدية، ببنية Transformer. يستخدم النموذج بنية Encoder-Decoder واستعلامات الأجسام، ويعتمد على خوارزمية Hungarian لتحقيق مطابقة ثنائية الأجزاء بين النتائج المتوقعة والأجسام الحقيقية. يُمكن استخدامه للكشف عن الأجسام، بالإضافة إلى مهام بصرية مثل تجزئة الصور الفردية والتجزئة الشاملة.

تشغيل عبر الإنترنت:https://go.hyper.ai/eVfK1

4. GAN-BERT: تصنيف النصوص شبه الخاضع للإشراف بناءً على الشبكات التوليدية التنافسية

أُطلق نموذج GAN-BERT في يوليو 2020 من قِبل فريق تور فيرغاتا في جامعة روما تور فيرغاتا بالتعاون مع أمازون. يُدخل هذا النموذج شبكة توليدية تنافسية (GAN) ضمن نسخة مُحسّنة من نموذج BERT، مما يُتيح تصنيف النصوص بكفاءة عالية باستخدام كمية صغيرة فقط من البيانات المُصنّفة، وذلك من خلال التدريب التعاوني للمُولّد والمُميّز. في مهمة تصنيف TREC المُفصّلة، حقق النموذج دقة بلغت 41.81 TP3T باستخدام 109 عينة مُصنّفة فقط، متفوقًا بشكل ملحوظ على دقة نموذج BERT التقليدي التي بلغت 13.61 TP3T.

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

5. Inflect-Micro-v2: تحويل النص إلى كلام مع معلمات أقل من 10 ملايين

يُعدّ Inflect-Micro-v2، الذي أصدره أوين سونغ في أبريل 2026، نموذجًا خفيفًا لتحويل النص إلى كلام (TTS) من البداية إلى النهاية، ويحتوي على حوالي 9.357 مليون مُعامل قابل للنشر فقط. يبلغ حجم نموذج FP32 37.53 ميجابايت فقط، ويدعم الاستدلال باستخدام وحدة المعالجة المركزية (CPU) و CUDA. وبفضل اعتماده على بنية VITS، يُمكن للنموذج توليد صوت أحادي بتردد 24 كيلوهرتز مباشرةً دون الحاجة إلى مُشفّر صوتي إضافي، كما يدعم تجزئة النصوص الطويلة، والتحكم في فترات التوقف، وإعادة إنتاج البذور بشكل حتمي. وهو مناسب لسيناريوهات مثل توليف الكلام المحلي، ونشره على الأجهزة الطرفية، وقراءة النصوص.

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

6. مجموعة أدوات DeePMD: دليل تعليمي حول ديناميكيات الجزيئات ذات الجهد العميق

DeePMD-kit، التي أطلقتها مجتمعات DeepModeling لأول مرة عام 2018، هي مجموعة أدوات لمحاكاة ديناميكيات الجزيئات تعتمد على التعلم العميق. تستخدم هذه الأداة الشبكات العصبية لتعلم سطح الجهد بين الذرات في بيانات حسابية من المبادئ الأولى، مما يتيح إجراء محاكاة جزيئية واسعة النطاق بدقة تقارب دقة الحسابات من المبادئ الأولى. تدعم هذه الأداة العديد من أطر عمل التعلم العميق مثل TensorFlow وPyTorch وJAX وPaddlePaddle، ويمكن دمجها مع برامج ديناميكيات الجزيئات الشائعة مثل LAMMPS وGROMACS. وقد فازت بجائزة ACM Gordon Bell لعام 2020 لتطبيقاتها في الحوسبة عالية الأداء. وتُستخدم على نطاق واسع في مجالات مثل التنبؤ ببنية المواد، واستكشاف مسارات التفاعلات الكيميائية، وتصميم المحفزات، ومحاكاة تفاعلات البروتينات.

تشغيل عبر الإنترنت:https://go.hyper.ai/F0H9W

💡لقد قمنا أيضًا بتأسيس مجموعة تبادل تعليمية حول الانتشار المستقر. مرحبًا بالأصدقاء لمسح رمز الاستجابة السريعة والتعليق على [برنامج تعليمي SD] للانضمام إلى المجموعة لمناقشة المشكلات الفنية المختلفة ومشاركة نتائج التطبيق ~

مقالات موسوعية شعبية

1. التعرف الضوئي على الأحرف (OCR)

2. نموذج العمل العالمي (WAM)

3. الاستشعار عن بعد

4. رمز الخلل (مصطلح يستخدم لوصف مصطلح متعلق بالخلل)

5. نموذج التحويل التوليدي المدرب مسبقًا (GPT)

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!