كل الأخبار
10835
DiffusionART يسرّع التدريب بالتعلم المعزز لنماذج الفيديو 12 مرة دون ضبط دقيق لـ EMA
يدرّب DiffusionART النماذج الانتشارية بمكافآت الصندوق الأسود، ويبلغ على HunyuanVideo-13B مستوى DiffusionNFT وFlow-GRPO-Fast بزمن أقل 12 مرة من ساعات GPU.
تدريب محوّل فيزيائي مبني من الترانزستورات وحدها على in-context learning في المحاكاة
بنى باحثون في المحاكاة محوّلًا تناظريًا من ترانزستورات MOSFET ودرّبوه على in-context learning: الانتباه يعمل بأُسّية التيار، ومُحسِّن Lion يعتمد على المكثفات.
نظرية تثبت: نماذج masked diffusion القائمة على المحوّلات تتعلم من Õ(LK/ε) مثالًا
ورقة جديدة على arXiv تقدّم ضمانات شاملة لنماذج masked diffusion: حجم العينة يتناسب مع Õ(L·K_par/ε) وليس مع V^L الأسّي بحسب طول التسلسل.
تعليم ResonatorLM قراءة الذاكرة بحسب الرمز الحالي: انخفاض perplexity عند الطول 1024 من 12,81 إلى 3,76
Kairos: نموذج بايتي لجميع الوسائط يتقارب على 440 بايت
النماذج المفتوحة تشرح السخرية بتكلفة أقل من نماذج frontier، لكنها تفهم النصوص الأسترالية أسوأ من الأمريكية
COFFEQA يضيف 8,77 نقطة EM إلى التقطير بقليل من الأمثلة على TriviaQA بفضل الأمثلة المضادة للواقع
MADS يعلّم وكلاء المحادثة ألا ينهاروا: 1095 حوارًا، 66% منها بسيناريوهات «سيئة»
يولّد مؤلفو MADS حوارات اصطناعية مع مستخدمين سامّين وغير بنّائين. يضم المعيار 6 مجالات و55 شخصية و1095 محادثة، و66% من السيناريوهات تنطوي على خطر الإخفاق.
فريق U4RASD يحتل المركز الأول في KnowledgeGraphEval-2026: نتيجة micro-F1 بلغت 94,06 في اللغة العربية
تجميعة (ensemble) من Yehia وQwen3.5 ومُرمِّز (encoder) بعلامات كيانات مصنّفة فازت بالمهمة العربية لاستخراج العلاقات: micro-F1 بلغ 94,06 على 40 نوعًا من الروابط.
perturber: خدمة تضم 68 تشويشًا نصيًا لاختبار متانة نماذج LLM
GeopoliticalQA: نموذج bge-m3 يتفوق على التضمينات التجارية في 5 525 سؤال حول التقارير
Qwen يختار بنفسه ما يتذكره: بيانات replay من نموذج مجمَّد تقلّل النسيان
CLUE تبني أنطولوجيا الأحداث دون خبراء في ثلاث خطوات: التضمين والتجميع والتسمية
GeoSpatialBench يختبر نماذج MLLM على 28 نوعًا من العلاقات المكانية في ست مدن
كشف معيار GeoSpatialBench فجوة: تتعامل نماذج MLLM مع GeoJSON أفضل من الخرائط المصوَّرة، وتخرق القيود الهندسية المحددة بوتيرة أعلى عند التحرير.
RGR يحمي نماذج LLM من فقدان المهارات أثناء التقطير الذاتي عبر هندسة التمثيلات
تراقب طريقة RGR هندسة التمثيلات الكامنة وتحدّ من تدهور المهارات في التقطير الذاتي on-policy لنماذج LLM. الكود متاح على GitHub، والطريقة متوافقة مع نُهج OPSD.