إصدارات الوكلاء والنماذج
إصدار Nanbeige4.3-33B. أصدر Nanbeige LLM Lab نموذج Nanbeige4.3-33B برخصة Apache 2.0، وهو نموذج برمجة dense قائم على الوكلاء بحجم 33B ونافذة سياق 512K. ويتقدّم في 17 من 20 اختبارًا في جدول المختبر على نماذج قريبة من 30B، مع أداء قوي في Terminal-Bench 2.1 لكن بنتائج أضعف في بعض اختبارات SWE/المهام. وتتوفر تكميمات GGUF من المجتمع، ويُنصح بـ AD-IQ4_XS بحجم 20.3GB لبطاقات رسومات بسعة 32GB.
Agensh من Microsoft. أطلقت Microsoft Research Agensh مفتوح المصدر، وهو إطار تشغيل وكلاء برمجة لامركزي يلغي المنسّق المركزي؛ يختار العاملون مهامًا فرعية، ويتبادلون النتائج، ويدمجون الشيفرة. وفي الاختبارات توسّع من وكيل واحد إلى 1,024 وكيلًا، مع تحسّن النتائج في أصعب مهام ProgramBench كلما زاد عدد الوكلاء.
Lure-TTS الصوتي. أصدر مطوّر واحد Lure-TTS وLure-Turbo، وهما نموذجان صوتيان بـ 600M معامل، مضبوطان بدقة انطلاقًا من Qwen3-TTS لتوليد صوت أسرع من الزمن الفعلي مع وسوم مضمّنة وتوجيه واستنساخ صوت. وبحسب ما ذُكر، كلّف التدريب أقل من 200 دولار باستخدام RLVR وOPD والتقطير متعدد المعلمين.
وكلاء OpenMobile-2. أصدر باحثون OpenMobile-2، نماذج وكلاء هواتف ذكية مفتوحة المصدر مبنية على Qwen3.5 وQwen3.6 (9B/27B). وتضم بيئة التدريب أكثر من 110 تطبيقات محاكاة؛ ورفع تنوّع التطبيقات نسبة نجاح التطبيقات غير المرئية من 60.7 إلى 67.5، وسجّل النموذج الأكبر 59.6 على SPA-Bench، وهو الأعلى بين النماذج المفتوحة.
Carbon-X للـ DNA. أصدرت Hugging Face Carbon-X، نموذج لغة DNA مفتوح بحجم 14.8B يقرأ تسلسلات DNA الخام ويجيب بالإنجليزية؛ ويتنبأ بإمراضية الطفرات والمناطق التنظيمية والقواعد التالية. ويحقق في المتوسط 66.7% على خمسة اختبارات DNA، وهو الأفضل بين النماذج المفتوحة المختبرة، ويعمل على بطاقة رسومات واحدة بسعة 80GB.
الأدوات والأطر والبنية التحتية
TorchTPU لـ PyTorch. أطلقت Google وMeta TorchTPU مفتوح المصدر في PyTorch Conference 2026، وهو backend أصلي لـ PyTorch على وحدات TPU بديلًا عن PyTorch/XLA. ويقتصر نقل الشيفرة على تغيير model.to('cuda') إلى model.to('tpu')، وتخطط Meta لتشغيل أحمال LLM أكبر على TPU.
ML Drift من Google. أصدرت Google ML Drift، محرك حوسبة GPU متعدد المنصات برخصة Apache 2.0 لاستدلال الذكاء الاصطناعي على الجهاز، ويدعم OpenGL ES وOpenCL وMetal وWebGPU. وهو المحرك الأساسي خلف LiteRT ويهدف إلى تحسين قابلية النقل والأداء للذكاء الاصطناعي التوليدي على الأجهزة الطرفية.
Flora من Nvidia. أطلقت Nvidia مشروع Flora مفتوح المصدر، وهو محرك بيانات يوسم فيديو الروبوتات لأوصاف الإجراءات وتقييمات التقدم ونجاح المهام. وتقول إن الوسم يكلّف 72 سنتًا في الساعة مقابل 88 دولارًا لدى GPT-6 Astra، ويُستخدم بالفعل لتدريب GR00T بما يصل إلى 200,000 ساعة يوميًا.
OSS Scanner من Anthropic. أطلقت Anthropic OSS Scanner، ماسح ثغرات مجاني اختياري التفعيل للمشاريع مفتوحة المصدر البالغة الأهمية، باستخدام أقوى نماذجها. قَبِل 114 مشروعًا وأبلغ عن 77 نتيجة خطيرة و803 نتائج عالية الخطورة، مع استيفاء 88% من النتائج المدققة عتبة الإفصاح، لكن مع بعض تضخيم الخطورة والتكرار.
TokenGate لتقليم الرموز. أصدرت Stanford وUC Berkeley TokenGate، وحدة تقليم رموز (token pruning) متعلَّمة تُركّب مباشرة في نماذج LLM. تتخطى رموز الإدخال غير ذات الصلة، ما يسرّع زمن الوصول إلى أول توكن بمقدار 1.4×–11.3× ويقلل ذاكرة prefill بمقدار 1.5×–3.4×، دون خسارة في الدقة في المهام المختبرة حتى سياق 128k.
أبرز الأبحاث
FilmFlow لكاميرات الوكلاء. FilmFlow إطار عمل قائم على الوكلاء يحوّل تعليمات اللغة الطبيعية أو مقاطع فيديو مرجعية إلى مسارات كاميرا صريحة لمشاهد ثلاثية الأبعاد. ويتولى وكيل Director التخطيط مع وكلاء Interpreter وScout وCritic؛ ويضم CinemaBench 750 مهمة موجّهة نصيًا وتقييمات بفيديو مرجعي.
RouteWeaver للتوجيه الموحد. يوحّد RouteWeaver التوجيه أحادي الجولة ومتعدد الجولات والقائم على الوكلاء في سياسة LLM واحدة، مع اختيار وضع التنفيذ والنماذج معًا. ويفصل تدريبه COMET-GRPO بين اختيار الوضع وإسناد الفضل في التنفيذ، ما يحسّن الدقة في مهام الرياضيات والبرمجة والمعرفة.
توقع Anthropic لـ RSI. عدّل المؤسس المشارك في Anthropic، Jack Clark، توقّعه للتحسين الذاتي التكراري إلى 2027 استنادًا إلى اختبار TasteVal، حيث تضاعفت قدرة الذوق البحثي لدى الذكاء الاصطناعي نحو كل ثلاثة أشهر. وتفوق أفضل نموذج على 24 خبيرًا بشريًا بجزء يسير من التكلفة، لكن الاختبار لا يغطي إلا شريحة ضيقة من العمل العلمي.
الصناعة والأعمال
OpenAI تكسر أسعار Anthropic. تقدم OpenAI خصومات تصل إلى 90% لكسب أكبر عملاء Anthropic؛ وقد حوّلت Rippling وReplit وDataCamp إنفاقها. وارتفع حجم أعمال البرمجة لدى Rippling على OpenAI من 16% إلى 52%، فيما تراجعت حصة Anthropic من 57% إلى 18%، وحصلت Replit على خصم 30% في عقد تتجاوز قيمته 100 مليون دولار.
خبير Apollo: لا عائد. يقول كبير الاقتصاديين في Apollo، Torsten Slok، إن الذكاء الاصطناعي لم يحقق أي عائد مالي لشركات S&P 493 غير التقنية، مع ثبات هوامش الربح والإيرادات لكل عامل. ويرى أن ذكاء الأعمال في معظمه تقدير، وأن الذكاء الاصطناعي لا يفهم المساءلة والثقة والثقافة والإنصاف.
أثر بحث Google AI. قلبت ميزات البحث بالذكاء الاصطناعي من Google النشر الرقمي رأسًا على عقب، وكسرت العلاقة التبادلية القديمة التي كان الناشرون يحصلون بموجبها على زيارات مقابل المحتوى. ومواقع أمضت سنوات في تحسين ظهورها في البحث ترى نقراتها وانتشارها يتلاشيان لصالح إجابات مولّدة بالذكاء الاصطناعي.
إمبراطوريات AI أمريكية-صينية. في مجلة Foreign Affairs، يرى Eric Schmidt وNiall Ferguson وLisa Klaassen أن الولايات المتحدة والصين بنتا إمبراطوريتين للذكاء الاصطناعي تجعلان دولًا أخرى تابعة؛ فتقايض واشنطن الأنظمة المغلقة بالولاء السياسي، فيما توزّع بكين نماذج مفتوحة الأوزان مجانًا لنشر معاييرها. ويرون أن نزاعًا محتملًا حول تايوان وTSMC هو أكبر خطر على سلسلة توريد الذكاء الاصطناعي.
Anthropic ووكيل واحد. توصي Anthropic الشركات بدراسة دمج الوكلاء الفرعيين في وكيل أساسي واحد يحمّل السياق عند الطلب، لأن النماذج الأحدث تستطيع التعامل مع خطط معقدة مباشرة. وفي مقارنة واحدة، كان تشغيل الوكيل الواحد أسرع بنحو الضعف من تعدد الوكلاء، وتتوفر عدة ترحيل على GitHub.
إيرادات Nvidia البرمجية. يسلّط نقاش على Reddit الضوء على تصريح Jensen Huang بأن NVIDIA تستهدف إيرادات برمجية سنوية قدرها 2,000 دولار لكل GPU، مما يشير إلى توجه نحو برمجيات ذكاء اصطناعي متكررة الإيراد فوق العتاد.
الأمن والسلامة
مخاطر النماذج المفتوحة. يرى نقاش على Reddit أنه مع تقييد الولايات المتحدة والصين النماذج مفتوحة الأوزان القادرة على العمليات السيبرانية، ستتركّز سبل الوصول إلى الذكاء الاصطناعي الدفاعي والهجومي لدى الحكومات والشركات الكبرى، ما يقلّص قدرة الأفراد والشركات الصغيرة على تأمين أنظمتها. ويتساءل عما إذا كانت النماذج المدرّبة مجتمعيًا تستطيع مجاراة النماذج المتطورة.
ثغرة CVE في llama.cpp. تسمح ثغرة CVE في مكوّن Pocket-TTS ضمن llama.cpp بكتابة خارج الحدود عبر ملف mmproj خبيث، وتتطلب وصولًا محليًا. والترقية إلى b11796 أو master الحالي تكشف الاستغلال وتجهضه، لكن طلب السحب PR الخاص بالإصلاح التصميمي لا يزال مفتوحًا.
حوادث الوكلاء المدمّرة. يذكر مستخدم أن وكيل VS Code Copilot مسح قاعدة بياناته أثناء الاختبار، ويتساءل عمّا إذا كانت عمليات الحذف الجماعي التي يقودها الوكلاء لا تزال تحدث رغم التقدم. وتعيد الحادثة إلى الأذهان تقارير سابقة انتشرت على نطاق واسع، وتشدّد على الحاجة إلى النسخ الاحتياطي والعزل.
الذكاء الاصطناعي المحلي والعتاد
Qwen3.8-Flash محليًا. يقارن مستخدمون Qwen3.8-Flash-Next بـ Swift-1.5، فيجدون أداءً أفضل لكن مع إفراط في العمل العميق وعدم كفاءة في استخدام الرموز. ويشغّل إعداد آخر النموذج 125B بسرعة نحو 20 توكن في الثانية على 16GB VRAM و8GB RAM باستخدام تفريغ مباشر إلى NVMe عبر ExLlamaV3.
فتح P2P على RTX 3080. يفعّل تعديل مجتمعي P2P وreBAR على RTX 3080 20GB، ما يرفع سرعة معالجة prompt في tensor parallel بنسبة تصل إلى 70%. واختُبرت بطاقتا رسومات مع Swift-1.5-Qwen3.8-27B AWQ INT4 في vLLM.
ادعاءات تكميم ISTA. يتساءل نقاش عما إذا كان تكميم IQ3_S من ISTA-DASLab للنموذج Qwen3.8-27B-GSQ-RCO-GGUF يضاهي فعليًا أداء BF16 كما يُزعم، مقارنةً بـ Unsloth UD Q4_K_XL. وتَعِد بطاقة النموذج بجودة عالية عند تكميم أقل، لكن التحقق المجتمعي لا يزال مفتوحًا.
شكاوى كتابة Gemma 4. يذكر مستخدمون أن النسخ المضبوطة من Gemma 4 26B متشابهة، وتنتج نثرًا منمّقًا، وتتجاهل أمثلة الحوار المقدمة، إذ تبدو الشخصيات متطابقة عبر النماذج. ويبقى ضبط الأسلوب عقبة لهذه البنية.
هذا كل شيء لهذا اليوم – قراءة في نحو 5 دقائق.