Pinned Tweet
في 26 سبتمبر نشرت المعاينة البحثية الأولى من Sev، نموذج قرارات عربي يدعم الاختيار والتحقق بنعم/لا.
اليوم حبيت أشاركم ما رحلة الانتقال منها إلى المرحلة P13، النسخة المرشحة التي تدعم أيضاً أسئلة الدرجة.
وهذه نسخة النموذج الاولي السابقة:
huggingface.co/3ssiri/Sev-Ar…
بدأت نماذج المعاينة بنموذج mmBERT على 29,753 صف تدريب. بعدها قارنت 3 مرشحين على البيانات نفسها، بثلاث بذور لكل مرشح. وفي اختبار محجوز من 4,300 سؤال، اجتاز احدها مسار Track Q شروط اختيار المعمارية في البذور الثلاث.
بعدها استمرينا طيلة الفترة السابقة ندرب النموذج ليل نهار على جهازي وبنينا SevCorpus-v1 بـ65,898 صفاً. وبعد ظهور تعثّر أول اختبار قبول، وسّعت صيغ التدريب من نوع نعم/لا وأسئلة الدرجة، وجمعت 27,000 إجابة من لجنة التوسيم في إحدى الجولات.
درّبت على عدة مراحل حتى وصلت P13 على 109,651 صفاً باستخدام QLoRA. استغرقت التشغيلات الثلاث الاخيرة لوحدها نحو 18 ساعة.
اجتازت النسخة المختارة من P13 شروط القبول العشرة في اختبار منفصل من 783 سؤالاً: 196 اختياراً، و391 نعم/لا، و196 درجة. بلغت دقة الاختيار 82.1%، والدقة المتوازنة لنعم/لا 93.2%، ومتوسط خطأ الدرجة 0.297.
وهي نتيجة مقبولة لحد ما ومرضية.
الإجابات المرجعية من لجنة نماذج، مع تدقيق بشري محدود بسبب انني اقوم بالعمل لوحدي. حسّنت P14 إلى P16 بعض المهارات، لكن بقيت الثقة الزائدة في مهام غير مألوفة. لذلك بقيت P13 النسخة المرشحة حتى الان وهي صاحبة افضل نتائج لكننا مستمرين في التدريب والتحسين.
الخطوة التالية في المراحل الاخيرة بحول الله مراجعة بشرية أوسع لأسئلة الدرجة، واستكمال مراجعة تراخيص النشر وبعض اللمسات الاخيرة للوصول الى النسخة النهائية.
وصراحة تدريبه كان مرهق ومتعب وطويل اخذ مني اكثر من ششهر لقلة الامكانيات ومحدوديتها. لاني ادربه على جهازي الشخصي.
وبحول المولى يكتمل تدريبه ان شاء الله قريب. ونوافيكم بالتفاصيل.
من المختبر إلى العالم.. أطلقنا Sev Arabic Preview v0.1 🇸🇦
هذه بالنسبة لي ليست مجرد نسخة تجريبية جديدة.
هي نتيجة رحلة بدأت بفكرة بسيطة: هل نقدر نبني محرك قرار عربي خفيف وسريع، يفهم الحالة، يجيب على أسئلة محددة، ويرجع قرار واضح مع احتمالات معايرة، بدون الحاجة لتوليد نص كامل؟
اليوم صار عندنا أول إصدار عام قابل للتجربة.
Sev ليس نموذج محادثة.
تعطيه حالة أو طلب بالعربي + مجموعة أسئلة وقرارات محددة، ويرجع لك القرار مع الاحتمالات في تمريرة Encoder واحدة.
الهدف منه أن يكون طبقة قرار عملية يمكن استخدامها في:
Routing، تصنيف النوايا، التحقق من التصنيف، والأنظمة الوكيلة التي تحتاج قرارات محددة وسريعة بدل توليد نص كامل.
← كيف بنيناه؟
البنية مبنية على mmBERT-base من جامعة Johns Hopkins، مع LoRA صغير r=8 وTyped Decision Head.
وكود رأس القرار مبني على مشروع open-jev-typed-decision-engine للمطور Intikhab Azam بترخيص Apache-2.0.
التدريب في هذه النسخة كان على بيانات عربية فقط:
29,753 عينة تدريب
7,803 عينة تطوير
من مصدرين:
MASSIVE ar-SA
ArBanking77
ثم حولنا البيانات إلى صيغة Sev نفسها:
حالة + أسئلة Typed + خيارات واضحة.
← ماذا تدعم النسخة الحالية؟
choice لاختيار قرار من مجموعة خيارات.
noul للتحقق من صحة التصنيف بجانب سؤال choice.
والطلب الواحد يمكن أن يحتوي حتى 8 أسئلة، وتتم معالجتها في تمريرة Encoder واحدة، بدون Text Generation.
← النتائج الحالية
Checkpoint النسخة المنشورة Seed 42:
الدقة الكلية: 94.55%
دقة choice: 92.82%
دقة noul: 96.28%
وعبر 3 تجارب مستقلة Seeds 42/17/73:
متوسط الدقة: 94.53%
الانحراف: 0.04 نقطة مئوية
وبعد Calibration:
ECE ≈ 0.0053
لكن مهم أوضح شي هنا:
هذه أرقام Development داخلية من نفس مصادر البيانات المستخدمة في بناء النسخة، وليست Benchmark خارجية، لذلك ما أستخدمها حاليا للمقارنة مع Jev أو Lev أو Laya أو غيرها.
التقييم الخارجي سيكون له مساره ونتائجه الخاصة.
← الأداء المحلي
على RTX 4060 Ti 8GB سجل اختبار النسخة:
حوالي 21ms p50 للطلب
وحوالي 1.2GB VRAM
والنسخة تعمل أيضا على CPU بدون GPU.
هذه قياسات على جهاز واحد، وليست ضمان أداء على كل الأجهزة.
← طيب لماذا أطلقنا Preview الآن؟
لأن الهدف ليس انتظار نسخة مثالية ثم إظهار النتيجة النهائية فقط.
الهدف أن نخرج العمل من المختبر إلى نسخة عامة قابلة للفحص وإعادة الاختبار.
تقدر تعرف:
على ماذا تدرب النموذج.
كيف تم تقييمه.
ما هي حدوده.
وكيف تشغله وتجربه بنفسك.
هذه Research Preview وليست Production.
ومن أهم حدودها حاليا:
النص الأطول من 384 Token يتم قصه تلقائيا مع تنبيه في النتيجة.
score غير مدعوم بعد.
noul في هذه النسخة مخصص للتحقق من التصنيف، وليس Yes/No عاما.
التغطية الحالية تتركز على نوايا المساعدات الافتراضية والطلبات البنكية.
اللهجات السعودية والخليجية لم تحصل بعد على Benchmark مستقل.
لا يوجد Abstention تلقائي حاليا.
ولم نقس بعد أداءه على خيارات أو مجالات جديدة خارج بيانات التدريب، ولا على طلبات تحتوي أكثر من سؤالين.
وهذا بالضبط سبب إطلاق النسخة الآن:
نريد اختبارات خارجية.
نريد حالات فشل حقيقية.
نريد قياس التعميم خارج بيانات التدريب.
ونريد أن تكون خطوات بناء Sev النهائي موثقة وواضحة من البداية.
الكود متاح بترخيص Apache-2.0.
أوزان Sev المنشورة بترخيص CC BY-SA 4.0.
والعمل مستمر على النسخة النهائية من Sev ببيانات أوسع، تقييم خارجي، وتجارب معمارية أدق.
GitHub:
github.com/3ssiri/sev-arabic…
Hugging Face:
huggingface.co/3ssiri/Sev-Ar…
DOI:
zenodo.org/doi/10.5281/zenod…
اليوم خرج Sev من المختبر.
والآن يبدأ الاختبار الحقيقي.
إغلاق التسجيل في الدفعة الرابعة لبرنامج الابتعاث في الذكاء الاصطناعي 🎓
بناء الكفاءات الوطنية المتخصصة في أبحاث وهندسة الذكاء الاصطناعي هو الأساس لأي تطوير تقني مستدام، وفرص الالتحاق بالجامعات العالمية المرموقة تتطلب استغلال المواعيد المحددة للتقديم.
سدايا أعلنت تبقي 24 ساعة فقط على إغلاق بوابة التسجيل في الدفعة الرابعة من برنامج الابتعاث في الذكاء الاصطناعي، الموجه لمرحلتي الماجستير والدكتوراه في أفضل التخصصات التقنية عالمياً لدعم منظومة البحث والابتكار المحلية.
تفاصيل شروط القبول ورابط التقديم في التغريدة التابعة 👇
بوابة التقديم وشروط الالتحاق بالدفعة الرابعة لبرنامج سدايا للابتعاث:
sdaia.gov.sa/ar/Sectors/Buil…
#ArtificialIntelligence #SaudiTalent
إطار منهجي يرتب أولويات الذكاء الاصطناعي التوليدي والتوكيلي في تجربة المستفيد 📊
التحول من روبوتات المحادثة التقليدية إلى النظم التوكيلية يضع المنشآت أمام معضلة حقيقية في فرز حالات الاستخدام، والتفريق بين المبادرات التي تحقق أثراً تشغيلياً ملموساً وبين المشاريع الاستعراضية التي تستهلك الميزانيات.
سدايا أصدرت دراسة تستعرض انتقال تجربة العملاء من الذكاء الاصطناعي التوليدي إلى التوكيلي، وقدمت مصفوفة تقييم شاملة تعتمد 6 معايير لترتيب أولويات التنفيذ: جاهزية البيانات وحوكمتها، الأثر المالي والكفاءة، نضج البنية التقنية، قابلية التوسع، إدارة المخاطر، وتأثير الخدمة على رضا العميل.
رابط الدراسة الكاملة والتفاصيل في التغريدة التابعة 👇
رابط دراسة سدايا الرسمية (مستقبل تجربة العملاء: من الذكاء الاصطناعي التوليدي إلى التوكيلي):
sdaia.gov.sa/ar/MediaCenter/…
#CustomerExperience #GenerativeAI
تسارع وتيرة إنجاز الاختبارات المعيارية للبحث والتطوير في نماذج أنثروبيك 🔬
التقييم النظري لقدرات النماذج يختلف تماماً عن قياس قدرتها على حل مهام بحثية وبرمجية متكاملة داخل بيئات العمل المعقدة.
مؤسسة METR نشرت تقييمها المستقل حول وتيرة تحسن نماذج Anthropic في أداء مهام البحث والتطوير، ورصدت تسارعاً بمقدار 1.9 مرة في إكمال الاختبارات التقنية المتسلسلة، مع الإشارة الصريحة إلى أن هذا المؤشر يعكس كفاءة النماذج في بيئات الاختبار المعيارية ولا يعني مضاعفة إنتاجية المطورين داخل بيئات الإنتاج الفعلية.
رابط التقرير المستقل وتفاصيل المنهجية في التغريدة التابعة 👇
رابط تقرير مؤسسة METR وتفاصيل قياس تسارع وتيرة البحث والتطوير:
metr.org/blog/2026-11-05-ant…
#AIResearch #EvaluationMetrics
خفض تكلفة استدلال الفيديو مع مضاعفة مدة المشهد والتعديل التفاعلي بالمحادثة 🎬
توليد ومعالجة مقاطع الفيديو كانت دائماً العائق الأكبر في التكلفة وزمن الاستجابة للتطبيقات التفاعلية، مما يحد من دمجها في التجارب اليومية.
جوجل حدثت نموذج Gemini Omni 1.2 Flash ليدعم توليد مقاطع تصل إلى 15 ثانية متواصلة، مع إمكانية تعديل عناصر المشهد تدريجياً عبر المحادثة، وتخفيض تكلفة الاستدعاء بنسبة 30% مقارنة بالإصدار السابق لتسهيل دمجه في بيئات الإنتاج وواجهات المستخدم الحية.
تفاصيل التحديث وأسعار الاستدعاء الجديدة في التغريدة التابعة 👇
تفاصيل تحديث Gemini Omni 1.2 Flash وخيارات التسعير والمستندات البرمجية:
blog.google/innovation-and-a…
#GenerativeAI #VideoAI
معمارية هجينة تدمج البرمجة الوكيلية والرؤية البصرية باستهلاك عتادي محدود ⚡
معظم النماذج مفتوحة الأوزان تواجه فجوة واضحة بين فهم الصور وكتابة الكود المعقد، وتتطلب عتاداً ضخماً لتشغيل المعمارية كاملة إذا كانت موحدة.
شركة Thinking Machines أعلنت عن نموذج Inkling 2 Small الذي يعتمد معمارية تفعيل جزئي تشغل 17 مليار معامل نشط فقط أثناء الاستدلال من أصل 594 مليار معامل. النموذج موجه لمهام البرمجة الوكيلية وفهم الواجهات، ومتاح للتجربة حالياً عبر منصة Tinker بانتظار طرح الأوزان الكاملة للتشغيل المحلي.
تفاصيل النموذج وتجربته في التغريدة التابعة 👇
تفاصيل إعلان نموذج Inkling 2 Small وتجربته عبر Tinker:
thinkingmachines.ai/inkling/
#OpenSourceAI #CodingAgents
تحويل الرسم اليدوي على ورقة إلى تطبيق تفاعلي يعمل مباشرة داخل المتصفح 📝
أغلب الأفكار البرمجية تبدأ بسكتش سريع على ورقة أو سبورة، والخطوة التي تأخذ وقتاً هي نقل هذا الرسم إلى واجهة مستخدم وكود شغال ومربوط بمنطق حقيقي.
جوجل أتاحت تحويل الرسم الورقي لتطبيق متكامل عبر Gemini داخل Canvas. الفكرة بسيطة ومباشرة: تصور الورقة وترفعها، ثم تطلب منه كتابة الكود وبناء الواجهة، ليفتح لك نافذة معاينة تفاعلية فورية تعدل فيها الألوان والخطوط والمنطق بالمحادثة دون الحاجة لإعداد بيئة تشغيل محلية.
خطوات التجربة ورابط الأداة في التغريدة التابعة 👇
خطوات التجربة داخل Gemini Canvas:
1. رفع صورة الرسم الورقي لواجهة التطبيق أو لوحة التحكم.
2. اختيار أداة Canvas وطلب بناء التطبيق التفاعلي برمجياً.
3. تجربة الواجهة مباشرة في نافذة المعاينة وتعديل المنطق عبر المحادثة.
رابط إعلان جوجل وتفاصيل التجربة:
blog.google/innovation-and-a…
#GoogleGemini #AppDevelopment
تقليص استدعاءات الأدوات الخاطئة إلى الصفر في وكلاء البرمجة عبر حلقة تقييم تلقائية 🛡️
المعضلة الكبرى في تشغيل وكلاء البرمجة داخل بيئات العمل الواقعية هي استدعاء الأدوات بمعاملات مشوهة. الوكيل يمرر بيانات الاستدعاء خارج الحقل المخصص في واجهة الأداة، والنتيجة خطأ صامت يترك الوكيل عاجزاً عن التعافي ويدخله في دوامة محاولات فاشلة تستهلك الرصيد.
إنفيديا في ورقتها الهندسية الأخيرة وثقت حلاً معمارياً عبر حلقة تقييم تفحص سجلات التشغيل السابقة آلياً، وتستخرج الأنماط المتكررة للخلل، ثم تبني اختبارات دقيقة تفرض التحقق المسبق من أسماء وحقول المعاملات قبل تمريرها للأداة، مع خفض إجمالي استهلاك الأدوات بنسبة 35% دون أي تراجع في دقة المخرجات.
التفاصيل المعمارية وروابط الورقة في التغريدة التابعة 👇
رابط التدوينة الهندسية الرسمية من إنفيديا وتفاصيل معمارية NeMo في حوكمة أدوات الوكلاء:
developer.nvidia.com/blog/us…
#CodingAgents #SoftwareEngineering
إبراز الكلمة المفقودة للطالب لحظياً يمنع تكرار الخطأ الصوتي بقواعد توجيه متكيفة 🎯
لما يتدرب الطالب وتفوته كلمة، كانت تطلع له رسالة عامة تطلب منه يعيد المحاولة من جديد. الطالب يعيد الجملة بنفس الخطأ لأنه ما يدري وين المشكلة تحديداً، وتشغيل نموذج لغوي في نفس اللحظة عشان يحلل رده يضيف بطء وتأخير يخرّب تدفق الدرس.
في أحد المشاريع التعليمية، بنينا منطق التوجيه الصوتي على قواعد حتمية ثابتة بدون أي استدعاء للنماذج وقت التدريب. النظام يقارن النص المنطوق بالجملة الأصلية، وإذا سقطت كلمة تومض أمامه بخط تحتها مع نغمة هادئة، وبعدها يسمع الجملة كاملة عشان يربط السمع بالنطق قبل ما يحاول مرة ثانية.
ردود التوجيه تتكيف آلياً مع مسار الطالب بحسب سجل المحاولات؛ عبارة مع التحسن التدريجي، وتوجيه مختلف لو تكرر الخطأ، وتوليد مسبق لكل المقاطع الصوتية عبر Gemini، مع حجب الكلمات المفقودة في الأسئلة المفتوحة عشان الطالب ما يلقط الجواب بدون تفكير.
التفاصيل الهندسية في التغريدة التابعة.
خطوات تطبيق منطق التوجيه الحتمي في الواجهة:
1. مطابقة الكلمات المنطوقة مع النص المرجعي عبر خوارزمية Levenshtein لتحديد موضع الفقد بدقة دون استدعاء واجهات خارجية.
2. تفعيل وميض مرئي بلون هادئ تحت الكلمة الساقطة مع تشغيل تنبيه صوتي منخفض التردد لا يقطع استرسال الطالب.
3. تشغيل ملف الصوت المولد مسبقاً للجملة عبر مشغل صوتي خفيف في المتصفح لترسيخ نطق الكلمة الصحيح في الذاكرة السمعية.
4. تحديث عداد المحاولات في الذاكرة المؤقتة للعميل لاختيار مسار التوجيه التالي فوراً وبزمن استجابة أقل من 50 جزء من الثانية.
#SpeechAI #SystemDesign
تحليل المصاريف والاشتراكات البنكية يتحول من تطبيقات مبعثرة إلى محادثة مباشرة مع الذكاء الاصطناعي 💳
تتبع المصاريف الشهرية دائماً يضيع بين كشوفات حساب بنكية متعددة وتطبيقات تطلب إدخال يدوي يمل منه الواحد بعد أسبوع، أو لوحات تحكم تلاحقك بإعلانات القروض والبطاقات.
أنثروبيك نزلت اليوم ميزة Personal Finance داخل Claude لحل هذا الوجع. الفكرة ببساطة ربط بطاقاتك وحساباتك بصلاحية قراءة فقط عبر وسيط بنكي معتمد، وبعدها تسأل النموذج مباشرة بأسلوبك اليومي: كم صرفت على الكافيهات هذا الشهر، وش الاشتراكات اللي تتجدد تلقائياً، بدون ما ترتب وتجمع فواتيرك بنفسك.
الأهم معمارياً أن مساحة المالية معزولة تماماً ولا تستخدم البيانات لتدريب النماذج، والوصول محصور بالقراءة فقط بدون أي قدرة على تحريك هللة واحدة.
تفاصيل الإطلاق والحدود في التغريدة التابعة.
#PersonalFinance #ClaudeAI
الميزة بدأت تجريبياً لمشتركي الخطط المدفوعة (Pro وMax) داخل أمريكا حالياً كبداية:
claude.com/resources/article…
خطوة مهمة تؤكد تحول نماذج الذكاء الاصطناعي إلى إدارة البيانات اليومية الحساسة مباشرة.
بناء خادم استرجاع محلي بالكامل لملفاتك وملاحظاتك دون خروج حرف واحد للسحابة 🛡️
أكبر هاجس يواجه المطور في بناء أنظمة الاسترجاع (RAG) هو رفع الوثائق الحساسة لقواعد بيانات متجهة سحابية واعتماد واجهات تضمين خارجية، غير تعقيد إدارة الحاويات ومزامنة الفهارس.
الحل الهندسي الأبسط جاء عبر مستودع مفتوح المصدر اسمه sqlite-rag-mcp. يدمج محرك البحث النصي FTS5 مع امتداد المتجهات sqlite-vec ونماذج التضمين المحلية عبر Ollama داخل ملف SQLite واحد. الوكيل يستعلم عن المستندات عبر بروتوكول MCP، والبحث هجين يدمج الترتيب النصي مع المتجه بتقنية RRF، والأهم إنه لو توقف نموذج التضمين يرجع تلقائياً للبحث النصي بدون أي انهيار.
رابط المستودع وطريقة التركيب في التغريدة التابعة.
#ModelContextProtocol #LocalAI
المستودع مفتوح المصدر ويعمل محلياً بالكامل عبر بايثون وامتداد sqlite-vec:
github.com/giuseppeferretti/…
يدعم الربط المباشر كخادم MCP مع Claude Code وتطبيقات الوكلاء.
