ai-powered-markdown-translatorمقال مترجم من الفرنسية إلى العربية باستخدام gpt-5.6-sol.
اثنا عشر إعلانًا فقط، موزعة على خمسة مجالات، خلال عطلة نهاية الأسبوع في 29 و30 أغسطس — مقابل اثنين وعشرين في اليوم السابق واثنين وأربعين في 28 أغسطس. اجتمع سببان، ولا يستحق أي منهما الإخفاء. كان يوم 29 سبتًا ويوم 30 أحدًا، ولذلك لم تنشر الغالبية العظمى من المدونات الرسمية شيئًا. وفوق ذلك، تعطلت X أثناء الجمع، إذ توقفت الواجهة التي تعرض سلاسل الملفات الشخصية عن الاستجابة؛ فظل ثلاثة وعشرون حسابًا متابَعًا — حسابات توليد الصور والفيديو، وحسابات أدوات التطوير — غير متاحة. لذلك، ربما أفلت من المسح إعلان نُشر عبر تغريدة فقط.
ومع ذلك، ينقسم اليوم إلى مسارين. على صعيد المنتجات، تربط xAI روبوت Grok Bot بشبكة X، وتعرض GitHub بالتفصيل خمسة تطورات لـ Issues. أما على صعيد الأبحاث، فتأتي الحصيلة كاملة من مدونة Hugging Face ومن مساهمين أفراد: مسبار خطي يمكن نقله من نموذج رؤية إلى نموذج منافس، ونموذج ما بعد Transformer مدرّب مسبقًا على جهاز MacBook واحد، وشبكة Leech تجعل Qwen3-4B يتسع ضمن 2.60 غيغابايت من VRAM، وطريقة لإيقاف وكيل أثناء التوليد. هذه أعمال بحثية وليست عمليات إطلاق.
يتصل Grok Bot بمنصة X
29 أغسطس — نشرت xAI في موجز أخبارها تحديثًا لـ Grok Bot، منتجها للوكلاء المستقلين، إذ أصبح المنتج يتكامل الآن بصورة أوثق مع X.
تعتمد الآلية على ربط حساب. يربط المستخدم حسابه على X من داخل Grok Bot، وتنشئ له xAI تلقائيًا حساب مطوّر إن لم يكن يملكه — وهي الخطوة التي تشترطها إمكانية الوصول البرمجي إلى الشبكة. ويحصل المشتركون المدفوعون في Grok Bot أيضًا على أرصدة مجانية لـ X API للبدء، من دون أن تحدد xAI مقدارها أو مدة صلاحيتها.
بعد تفعيل الموصل، يستطيع Bot البحث عن المنشورات، وقراءة موجز أخبار مالكه، والاطلاع على الإشارات إليه، وتجميع خلاصة لما يجري تداوله على الشبكة. ولا يتطلب الإعداد سوى فتح Grok Bot واستخدام موصل X.
تصف xAI هذا الإصدار صراحةً بأنه النسخة الأولى من التكامل، وتعلن أنها تعتزم مواصلة تسهيل عمل Grok Bot على X.
GitHub Issues: خمس ميزات جديدة، منها API REST للتبعيات تراعي النطاق
29 أغسطس — عرضت GitHub بالتفصيل خمسة تطورات في GitHub Issues، أُعلن عنها مباشرةً على X من دون إدخال مرتبط بها في سجل التغييرات؛ فالمنشور نفسه هو المصدر الأولي.
تتعلق أربعة منها بسهولة التنقل. يمكن تثبيت العروض في الشريط الجانبي، ما يغني عن إعادة إنشاء عامل تصفية في كل جلسة. وتعرض التفاعلات الآن الصور الرمزية للملفات الشخصية حيث كان يظهر العدد فقط. وأصبحت كثافة لوحة المعلومات قابلة للضبط، وهو أمر مفيد في المستودعات التي تضم كثيرًا من الصفوف. كما يمكن إخفاء الـ issues الفرعية المغلقة، ما يخفف ازدحام الـ issues الأصلية المستخدمة لمتابعة سير العمل.
أما الخامسة فهي الأهم من ناحية أتمتة العمل: أصبحت API REST لتبعيات الـ issues تراعي النطاق (scope-aware). وبات من الممكن الاستعلام عن التبعيات بين الـ issues، التي تصف الترتيب الواجب اتباعه لمعالجة المهام، مع أخذ النطاق في الحسبان — وهو ما يهم مباشرةً الوكلاء والبرامج النصية التي تبني خطة عمل انطلاقًا من تتبع مستودع. ولم تحدد GitHub نطاق إتاحة هذه التغييرات الخمسة.
| الميزة الجديدة المعلنة | نطاق التغيير |
|---|---|
| تثبيت العروض في الشريط الجانبي | التنقل في Issues |
| صور الملفات الشخصية الرمزية على التفاعلات | عرض التفاعلات |
| كثافة قابلة للضبط في لوحة المعلومات | لوحة المعلومات |
| إخفاء الـ issues الفرعية المغلقة | الـ issues الأصلية والفرعية |
| API REST للتبعيات تراعي النطاق | API REST، والتبعيات بين الـ issues |
نموذج Gala لما بعد Transformer، المدرّب مسبقًا على جهاز MacBook واحد، يقرأ 10 ملايين token بسرعة ثابتة
29 أغسطس — دُرّبت عائلة من نماذج اللغة الصغيرة، تحمل اسم العمل Gala، مسبقًا من الصفر باستخدام MLX الخالص على جهاز MacBook واحد — بمعالج M3 Max وGPU من 40 نواة وذاكرة موحدة بسعة 128 غيغابايت — خلال خمسة أيام.
تنطلق التجربة من قلب المنظور المعتاد. صُمم Transformer لأجهزة تتوافر فيها عمليات ضرب المصفوفات الكثيفة بكثرة، بينما تندر الذاكرة ذات النطاق الترددي العالي؛ أما جهاز Mac فهو الآلة المعاكسة. لذلك، تراكم البنية المختارة المعاملات والحالة، وتقتصد في FLOPs لكل token.
يتمثل اختبار الخرج في تمرير 10.5 ملايين token من نصوص FineWeb حقيقية، بدفعة حجمها 1، على الحاسوب المحمول. لا ينمو أي شيء: تظل الحالة التكرارية ثابتة عند 3.07 ميغابايت على امتداد النطاق كله، ولا تتراجع سرعة فك الترميز. كذلك لا ترتفع الخسارة على الـ 2,000 token التالية. أما نموذج Transformer المرجعي المدرّب على البيانات نفسها، فيفك الترميز بسرعة 134 token/s بدءًا من سياق بحجم 32k، وسيتطلب نحو 33 غيغابايت من ذاكرة KV المؤقتة عند مليون token.
| السياق الذي تم بلوغه | سرعة فك الترميز | الخسارة على الـ 2,000 token التالية | الحالة التكرارية |
|---|---|---|---|
| 32 768 | 382.3 token/s | 3.630 | 3.07 ميغابايت |
| 1 048 576 | 388.1 token/s | 3.534 | 3.07 ميغابايت |
| 5 242 880 | 386.2 token/s | 3.590 | 3.07 ميغابايت |
| 10 485 760 | 385.8 token/s | 3.296 | 3.07 ميغابايت |
يظل الإدخال خطيًا عند نحو 28,000 token/s، أي قرابة ست دقائق للعشرة ملايين. وقد نُشر النموذج مع سجلات تشغيله، ويخصص المقال قسمًا لما لا يستطيع فعله.
A post-transformer language model, pretrained from scratch on one MacBook in pure MLX, that reads 10M tokens of context at constant speed. Five days, every number measured, everything released.
🇸🇦 نموذج لغوي لما بعد Transformer، دُرّب مسبقًا من الصفر على جهاز MacBook واحد باستخدام MLX الخالص، ويقرأ سياقًا من 10 ملايين token بسرعة ثابتة. خمسة أيام، وكل رقم جرى قياسه، وكل شيء منشور. — Arjun Reddy، على مدونة Hugging Face
شبكة Leech داخل kernel لـ CUDA تجعل Qwen3-4B يتسع ضمن 2.60 غيغابايت من VRAM
29 أغسطس — عدد الـ bits لكل وزن هو الرافعة الوحيدة التي تغيّر فئة الجهاز القادر على استضافة نموذج: عند 2 bits، ينخفض نموذج ذو 70 مليار معامل من 140 غيغابايت إلى نحو 18 غيغابايت، ويتسع في بطاقة سعتها 24 غيغابايت. لكن يجب أيضًا الحفاظ على الجودة، وأفضل جودة مُبلّغ عنها عند هذا المستوى من الضغط تأتي من التكميم المتجهي في كتل من 24 على شبكة Leech، وهو عمل لـ Qualcomm AI Research.
كان العائق برمجيًا. لا يفك kernel الخاص بـ CUDA والمنشور مع هذه الورقة سوى طبقة واحدة من الشبكة، توخيًا للبساطة، ويظل أبطأ من الطرق المنافسة. لكن القاموس المطلوب فعليًا عند 2 bits هو اتحاد من الطبقات: 301 فئة تكافؤ وفهرس من 47 bits يشير إلى نقطة من بين 1.1 × 10¹⁴. ولم يجد المؤلف في أي مكان أداة لفك ترميز هذا الفهرس.
لذلك كتبها بنفسه. فالجوهر الرياضي للمشروع — الشبكة، والبحث الدقيق عن أقرب جار، والفهرسة التقابلية على 48 bits، وGPTQ الكروي — مكتوب بلغة Rust من دون أي تبعية خارجية، ويرافقه برنامج فك ترميز CUDA المدمج الذي كان مفقودًا.
| العنصر المقاس | القيمة المسجلة |
|---|---|
| النموذج المكمّم | Qwen3-4B |
| استهلاك VRAM | 2.60 غيغابايت |
| معدل التوليد | 87 token/s |
| فئات التكافؤ عند 2 bits | 301 |
| حجم الفهرس | 47 bits، من بين 1.1 × 10¹⁴ نقطة |
| نموذج 70 مليارًا عند 2 bits | من 140 غيغابايت إلى نحو 18 غيغابايت |
ينتج النموذج المكمّم الـ tokens نفسها التي ينتجها النموذج الكثيف عند فك الترميز الجشع، باستثناء حالة كسر تعادل واحدة. وهناك تحفظان ذكرهما المؤلف نفسه: لا يزال برنامج فك الترميز الخاص به أبطأ من kernel المنافس QTIP، الذي يقرأ عددًا من البايتات أقل بمقدار 2.40 مرة ويعمل بسرعة أعلى بمقدار 2.27 مرة؛ كما أن المسودة الأولية مودعة ذاتيًا ولم تخضع لمراجعة الأقران. الشفرة والبيانات متاحتان للعامة.
يمكن قراءة مسبار خطي مدرّب على نموذج رؤية باستخدام نموذج منافس
30 أغسطس — ترمّز أربعة نماذج متعددة الوسائط من أربع شركات مختلفة الصور نفسها. جميعها مجمّدة، ولم يخضع أي منها للضبط الدقيق، ولا تتساوى حتى عروض حالاتها المخفية: 5,376 و5,120 و2,560 و2,048 بُعدًا. لا يفترض أن يسمح أي شيء لمسبار تعلّم على أحدها بالعمل على نموذج آخر. لكنه يعمل.
البروتوكول في حدّه الأدنى. يتعلم مسبار خطي — مصفوفة أوزان واحدة فقط — التنبؤ بتسميات الصور انطلاقًا من حالات نموذج، ثم يُقرأ من دون إعادة تدريب على حالات نموذج آخر، باستخدام تحويل يُقدّر بانحدار ridge على صفوف التدريب وحدها لتكون جسرًا بين الفضاءين.
| المجال المقيّم | AUROC الأصلية | AUROC المنقولة | تكلفة النقل |
|---|---|---|---|
| صور الأقمار الاصطناعية، استخدام الأراضي ضمن 17 فئة | 0.9507 | 0.9484 | 0.0024 |
| صور ChestX-ray14 الشعاعية، 3 نماذج من أصل 4 | 0.7440 | 0.7511 | سالبة |
في صور الصدر الشعاعية — قائمة الاختبار الرسمية، التي تضم 25,596 صورة لمرضى لم تظهر بياناتهم مطلقًا في التدريب — تتجاوز النتيجة المنقولة النتيجة الأصلية، وتتفوق أربعة من اتجاهات النقل المتقاطع الستة على المسبار الخاص بالنموذج المستهدف. وتوضح صرامة القياس سبب استحقاق النتيجة للاهتمام: يرتفع جيب التمام الخام بين العناصر غير المرتبطة إلى 0.998 قبل التصحيح، ثم يعيد التوسيط الموردين الأربعة إلى 0.005 أو أقل، ويُنشر كل ادعاء مع حدّ الصدفة الأدنى الخاص به — وهو 0.5014 عند خلط التسميات في مجموعة اختبار صور الأقمار الاصطناعية.
تضع Together AI نموذج GLM-5.3 أمام نموذجين مغلقين في معدل الهلوسة، من دون تسمية benchmark
30 أغسطس — تعرض Together AI انخفاض معدل الهلوسة في GLM-5.3 بوصفه جانبًا لا يحظى بما يستحقه من الاهتمام، وتقارنه بنموذجين مغلقين رائدين.
| النموذج المقارن | معدل الهلوسة نسبةً إلى GLM-5.3 |
|---|---|
| GLM-5.3 | المرجع |
| Claude Fable 5 | أعلى بأكثر من مرتين |
| GPT-5.6 Luna | أعلى بأكثر من 3 مرات |
ينبغي قراءة القياس ضمن سياقه. تستضيف Together AI نموذج GLM-5.3 وتبيع خدمة الاستدلال الخاصة به؛ لذلك فالمصدر ليس محايدًا. ولا يذكر المنشور الـ benchmark المستخدم، ولا القيم المطلقة، ولا طريقة حساب الهلوسات — بل يورد النسب فقط. ويرافق المنشور مقطع فيديو قصير، لكن النص المنشور لا يتضمن أي رقم خام. لذلك ينبغي اعتباره ترتيبًا نسبيًا، لا تقييمًا مستقلًا.
وتظل الزاوية جديرة بالملاحظة لأنها تكمل الصورة التي رُسمت في الأيام السابقة: فقد قاست مقارنات DeepSWE المنشورة في 29 أغسطس قدرات البرمجة والتكلفة، لا الموثوقية الوقائعية في بيئة الإنتاج.
an underrated part of glm-5.3 is its low hallucination rate
claude fable 5 is over 2x higher, while gpt-5.6 luna is over 3x higher
🇸🇦 من الجوانب التي لا تحظى بما تستحقه من التقدير في GLM-5.3 انخفاض معدل الهلوسة لديه. معدل Claude Fable 5 أعلى بأكثر من مرتين، بينما معدل GPT-5.6 Luna أعلى بأكثر من 3 مرات. — @togethercompute على X
أخبار موجزة
- Reflexive Role Routing، طريقة لإيقاف وكيل أثناء التوليد — يقرأ مسبار ذو طبقة خطية واحدة قيمتين أثناء التوليد: الانحراف بين هدف الـ prompt والمسار الحالي، والاحتمال المقدّر لصمود المخرجات أمام المراجعة؛ ثم تستخدمهما وحدة تحكم مجمّدة لتقرر الإيقاف. وقد صيغت العملية بوصفها قرارًا شبه ماركوفي حتى لا يُهدر السياق المُنتج بالفعل. أُودعت المسودة الأولية تحت DOI 10.5281/zenodo.22171581. 🔗 مقالة على Hugging Face
- تقييم مخاطر مؤقت، مولّد بواسطة نموذج حدودي — يدفع prompt واحد نموذجًا قويًا إلى إنشاء benchmark جديد تظل شبكة تقييمه خاصة داخل المحادثة؛ فتخضع النماذج المقيّمة للاختبار، ثم تعود إجاباتها إليه للتقييم، وبعدها يُتخلّص من الـ benchmark — ولا يرى المؤلف في ذلك حلًا للتلوث، بل مجرد تقليل للاعتماد على الأسئلة العامة نفسها. وتكمن الفائدة أساسًا في التمييز المفروض في النتائج بين الاستعداد (willingness)، والقدرة (capability)، والتسهيل (enablement). 🔗 مقالة على Hugging Face
- نمط الفشل الافتراضي في CUDA هو الصمت — ملاحظة تعليمية من الأسبوع الأول في برمجة GPU، كُتبت انطلاقًا من أبسط برنامج ممكن: جمع قائمتين من ألف عدد. وما أثار انتباه المؤلف لم يكن طريقة عمل GPU، بل الهدوء الذي يتعطل به. لا إعلان ولا إصدار نموذج. 🔗 مقالة على Hugging Face
- تعيد GitHub تسليط الضوء على تجميع تحديثات Dependabot — في GCToolkit، وهو مشروع تابع لـ Microsoft، كان نحو commit واحد من كل ستة مخصصًا لترقية تبعية واحدة؛ وكانت ثلاثة تعديلات على ملف
dependabot.ymlكافية لمعالجة الضوضاء عبر تجميع التحديثات وإبطاء وتيرتها، من دون تأخير التصحيحات الأمنية. يعود المقال المشار إليه إلى 29 يوليو 2026، ولم يحدث في 30 أغسطس سوى إعادة مشاركته. 🔗 منشور @github - WebMCP Challenge: الموعد النهائي في 3 سبتمبر وجلسة أسئلة وأجوبة في 31 أغسطس — تذكّر OpenAI Developers بإمكانية تقديم مشاريع hackathon WebMCP حتى 3 سبتمبر، وتعلن في السلسلة نفسها جلسة أسئلة وأجوبة (office hours) على Discord مقررة يوم الاثنين 31 أغسطس في 11 am PT، بمشاركة شركاء المسابقة: Chrome وCloudflare وShopify وVercel وRender وNetlify. وكان الـ hackathon نفسه قد قُدّم في 25 أغسطس. 🔗 منشور @OpenAIDevs
- تنشر Cohere ثلاث صور من Waterloo من دون إعلان مرتبط بها — يواصل الحساب الرسمي إبراز الهوية الكندية للشركة، من دون إطلاق أو أرقام أو روابط. لا توجد مادة واقعية تُذكر؛ وقد أُدرج الأمر لاستكمال تغطية الفترة. 🔗 منشور @cohere
ما يعنيه ذلك
تعود الأجهزة الاستهلاكية لتصبح قيدًا تصميميًا، لا حدًا ينبغي تحمّله. ينطلق اثنان من أعمال عطلة نهاية الأسبوع من الفرضية نفسها: الآلة المتاحة هي التي تحدد البنية، وليس العكس. صُمم Gala من أجل Mac — ذاكرة وفيرة، وFLOPs نادرة — ولذلك يراكم المعاملات والحالة بدلًا من العمليات الحسابية لكل token؛ والنتيجة هي فك ترميز لا يتباطأ بين 32,768 و10.5 ملايين token من السياق. أما التكميم باستخدام Leech lattice فيستهدف الطرف الآخر من السلسلة: خفض نموذج ذي 70 مليار معامل من 140 غيغابايت إلى نحو 18 غيغابايت، أي جعله ملائمًا لبطاقة يمتلكها أفراد. لا يدّعي أي منهما منافسة نموذج حدود القدرات، وليس هذا هو الموضوع: فكلاهما ينقل السؤال من حجم النموذج إلى فئة الآلة القادرة على استضافته.
يمكن قراءة مسبار مدرَّب على نموذج لدى نموذج مجاور. أكثر نتائج اليوم إثارة للدهشة هي أيضًا أكثرها هدوءًا. إذا كانت أربعة نماذج مجمّدة من أربع شركات ترمّز الصور بطرق متقاربة بما يكفي لنقل مصفوفة أوزان واحدة من أحدها إلى الآخر بكلفة قدرها 0.0024 من AUROC — بل وحتى بكلفة سالبة — فإن الأدوات المبنية فوق هذه التمثيلات لا تعود أسيرة المورّد الذي عُيّرت عليه. تستخلص الورقة نفسها هذه القراءة العملية، لكنها تطرح فورًا القيد الذي يمنعها من أن تكون منهجًا مكتملًا بالفعل: تُضبط تطبيقات النقل زوجًا بزوج، ولا شيء يثبت أن تطبيقًا واحدًا منها سيصمد على نموذج استُبعد من عملية الضبط هذه. ولا تتراخى صرامة القياس في أي موضع: يُصحح تباين الاتجاه قبل أي مقارنة، ويُنشر حد العشوائية الأدنى بجانب كل نتيجة.
تأتي ادعاءات الموثوقية من دون علم قياس. تضع Together AI نموذج GLM-5.3 أمام نموذجين مغلقين في معدل الهلوسة، لكنها لا تسمي أي benchmark، ولا تنشر أي قيمة مطلقة، ولا تصف طريقة العد لديها — مع أنها تبيع في الوقت نفسه خدمة inference للنموذج الذي تصنّفه أولًا. والتباين مع تدوينات البحث المنشورة في عطلة نهاية الأسبوع نفسها واضح: فتلك تنشر حدود العشوائية الدنيا إلى جانب نتائجها وتفصّل بروتوكولاتها. التقرير الذي لا يستند إلى مرجع ليس قياسًا، بل حجة تجارية، ويجدر تصنيفه على هذا الأساس.
على صعيد المنتج، لم تقدم عطلة نهاية الأسبوع سوى أعمال البنية التحتية — وهناك تحديدًا يُحسم أمر الوكلاء. لا تطلق xAI نموذجًا جديدًا: بل تربط Grok Bot بمنصة X، وتنشئ حساب المطوّر نيابة عن المستخدم، وتوزع أرصدة API لتقليل احتكاك البدء. ولا تعلن GitHub عن ميزة لافتة: بل تجعل REST API الخاص بتبعيات issues واعيًا بالنطاق. في الحالتين، ما يتغير هو حق الوصول والسطح القابل للاستعلام، لا قدرة النموذج. إنه العمل الأقل ظهورًا والأكثر حسمًا لمن يبني وكلاء يُفترض بهم قراءة شبكة اجتماعية أو نظام لتتبّع التذاكر.
المصادر
- xAI — يعمل Grok Bot الآن مع X
- GitHub — خمس ميزات جديدة لـ GitHub Issues
- Gala، نموذج post-transformer دُرّب على MacBook
- التكميم باستخدام Leech lattice ووحدة فك ترميز CUDA مدمجة
- مسابير خطية منقولة بين نماذج رؤية مجمّدة
- Together AI — معدل هلوسة GLM-5.3
- Reflexive Role Routing
- تقييم مخاطر مؤقت أنشأه نموذج حدود القدرات
- ملاحظة تعليمية حول فشل CUDA الصامت
- GitHub — تجميع تحديثات Dependabot
- OpenAI Developers — تحدي WebMCP وجلسة أسئلة وأجوبة
- Cohere — صور من Waterloo