Apple ML Research
مصدر أخبار الذكاء الاصطناعي. تُختار المقالات وتُعدَّل من قِبَل تحرير Hamidun News.
أحدث المنشورات
قدمت Apple ML Research طريقة لتوليد الفيديو مع الصوت من النص باستخدام Text-to-Sounding-Video
أظهرت Apple ML Research اتجاه Text-to-Sounding-Video — توليد الفيديو مع الصوت من النص — وحددت مشكلتين رئيسيتين لم يتم حلهما.
اقترحت Apple ML Research نماذج مدمجة لتصحيح أخطاء التعرف على الكلام
اقترح باحثو Apple ML Research نماذج seq2seq مدمجة بدلاً من LLMs لتصحيح أخطاء ASR، مع تدريبهم على الأخطاء الحقيقية والاصطناعية.
قدمت Apple ML Research TopoPrimer—السياق الطوبولوجي لنماذج التنبؤ
عرضت Apple ML Research إطار عمل TopoPrimer، الذي يضيف الهيكل الطوبولوجي العام للبيانات إلى نماذج التنبؤ بالسلاسل الزمنية.
حددت Apple متى يفيد on-policy distillation في تدريب النماذج
حدد باحثو Apple ML الظروف التي يكون فيها on-policy distillation فعالًا في تدريب نماذج reasoning، ومتى قد يكون غير فعال أو حتى ذا أثر عكسي.
Self-Reflective Program Search: حسّنت Apple أداء نماذج LLM مع السياقات الطويلة
نشرت Apple ML Research دراسة حول أسلوب Self-Reflective Program Search، الذي يحسّن طريقة تعامل نماذج اللغة مع السياقات الطويلة عبر التفكيك التكراري إلى استعلامات فرعية.
طوّرت Apple تقنية TGPO لتدريب نماذج الفيديو على فهم الزمن
قدّمت Apple ML Research منهجية TGPO، وهي طريقة تعلّم نماذج الفيديو فهم ترتيب الأحداث وتطورها في الفيديو الإيغومركزي عبر تعزيز الاستدلال الزمني.
Apple ML Research: نيورون واحد يتجاوز محاذاة الأمان في نماذج اللغة الكبيرة من 1.7 إلى 70 مليار معامل
أظهر باحثو Apple أن حماية الأمان في نماذج اللغة الكبيرة يمكن تجاوزها بالكامل عن طريق استهداف نيورون واحد—بدون ضبط دقيق أو تعديل المحفزات—عبر سبع نماذج من عائلتي نماذج.
Apple تقدم FlowEval: تقييم واجهات الذكاء الاصطناعي من خلال سيناريوهات الملاحة الحقيقية
طورت Apple ML Research إطار عمل FlowEval — إطار عمل لتقييم واجهات المستخدم التي تم إنشاؤها بواسطة الذكاء الاصطناعي بناءً على مقارنة مسارات الملاحة مع المواقع الحقيقية.
قدمت Apple ML Research Weblica — بيئة قابلة للتوسع لتدريب وكلاء ويب بصريين
أطلقت Apple إطار عمل Weblica، الذي يعيد إنتاج الحالات التفاعلية لصفحات الويب وينشئ بيئات التدريب عبر LLM — لتدريب موثوق لوكلاء الذكاء الاصطناعي في المتصفحات.
طورت Apple نظام MT-EditFlow لتحرير الصور بالذكاء الاصطناعي متعدد الخطوات
قدم باحثو Apple ML Research نظام MT-EditFlow — نظام قائم على التعلم المعزز يحل مشكلة تراكم الأخطاء في تحرير الصور التكراري.
أبل للأبحاث: LensVLM يعلم نماذج الرؤية واللغة قراءة النص في الصور المضغوطة بشدة
اقترحت Apple ML Research إطار عمل LensVLM الذي يمكّن نماذج الرؤية واللغة من قراءة النصوص الصغيرة في الصور المضغوطة دون فقدان الدقة.
Apple ML Research تطور DynaMiCS لضبط النماذج اللغوية الكبيرة دون فقدان المعرفة الأساسية
تصيغ DynaMiCS من Apple اختيار البيانات أثناء الضبط الدقيق كمشكلة تحسين مقيدة — للحفاظ على التعليمات والمعرفة وأمان النموذج عند التكيف مع مجالات جديدة.
بحث Apple ML يكشف عن عدم الكفاءة في توجيه Mixture-of-Experts
اكتشف باحثون من Apple أن الرموز في معماريات MoE تستخدم جزءاً ضئيلاً جداً من المسارات النظرية الممكنة، واقترحوا معمارية لتصحيح ذلك.
أبل تؤكد: نماذج الانتشار الكلامية تتسع مثل النماذج الانحدارية الذاتية
اكتشفت Apple ML Research أن نماذج الكلام القائمة على الانتشار المستمر تتسع بنفس القدر من القابلية للتنبؤ مثل النماذج الانحدارية الذاتية، وأدخلت مقياس pJSD.
تحل Apple ML Research مشكلة تدهور نماذج ASR في التسجيلات الصوتية الطويلة
نشرت Apple ML Research طريقة Segmental Attention Decoding — أربعة تغييرات معمارية تحل المشكلة الرئيسية التي تواجهها الشبكات العصبية عند معالجة التسجيلات الصوتية الطويلة.
نشرت Apple نظام Fortress — إطار عمل لتثبيت استقرار أنظمة التوصيات عبر قص الميزات
وصفت Apple ML Research نظام Fortress — وهو نظام يزيل عدم الاستقرار الزمني في نماذج التوصيات من خلال تحديد وإزالة الميزات التي تنتج تنبؤات غير متسقة.
آبل ML Research تبحث في أسباب اختلاف مُصنّفي بيانات سلامة الذكاء الاصطناعي
طوّرت آبل ML Research منهجية لتحليل الاختلافات بين مُصنّفي بيانات السلامة — الأشخاص الذين يدرّبون نماذج الذكاء الاصطناعي على التمييز بين المحتوى المقبول والمحتوى الخطير.
قدّمت Apple ML Research طريقة لتعميم نماذج ML على مجالات جديدة من دون بيانات موسومة
طوّر باحثو Apple ML Research نهجًا لـ domain generalization يعتمد على بيانات غير موسومة من مجال جديد بدلًا من الوسم المكلف.
قدّمت Apple إطار عمل Conformal Thinking — إدارة المخاطر لنماذج التفكير دون رموز إضافية
قدّمت Apple ML Research إطار عمل Conformal Thinking: وهي طريقة تدير تلقائياً ميزانيات الرموز لنماذج التفكير، مما يضمن معدلات خطأ محددة مع الحد الأدنى من الحسابات.
Apple ML Research: كيف تتعلم نماذج الانتشار اختيار التوكنات من دون أساليب استدلالية يدوية
تقترح Apple ML Research استبدال أساليب اختيار التوكنات اليدوية في نماذج اللغة بالانتشار بسياسات متعلمة، بهدف إزالة عدم الاستقرار والحاجة إلى الضبط اليدوي للمعلمات.
اقترحت Apple ML Research نموذج MemoryLLM — «ذاكرة» قابلة للتفسير للمحوّلات
وصف باحثو Apple كتل feed-forward في نماذج LLM على أنها ذاكرة استرجاع عصبية، واقترحوا طريقة لتحليلها بشكل معزول — من دون احتساب آلية self-attention.
Apple ML Research: فرق LLM متعددة الوكلاء تكبح الوكلاء الخبراء
أظهرت Apple ML Research أن الفرق ذاتية التنظيم من نماذج اللغة لا تحقق تآزرًا — بل تكبح الوكلاء الخبراء بدلًا من تعزيزهم.