ai-research

ai-research

agents-langchain

٥٨١

إطار عمل لبناء تطبيقات مدعومة بنماذج اللغة الكبيرة (LLM) باستخدام الوكلاء، السلاسل، وRAG. يدعم مزودين متعددين (OpenAI، Anthropic، Google)، أكثر من 500 تكامل، وكلاء ReAct، استدعاء الأدوات، إدارة الذاكرة، واسترجاع مخزن المتجهات. يُستخدم لبناء روبوتات المحادثة، أنظمة الإجابة على الأسئلة، الوكلاء المستقلين، أو تطبيقات RAG. الأفضل للنماذج الأولية السريعة ونشر الإنتاج.

ai-research

agent-memory-systems

٥٤٣

الذاكرة هي حجر الزاوية للوكلاء الأذكياء. بدونها، يبدأ كل تفاعل من الصفر. تغطي هذه المهارة بنية ذاكرة الوكيل: قصيرة الأمد (نافذة السياق)، طويلة الأمد (مخازن المتجهات)، والهياكل المعرفية التي تنظمها. الفكرة الرئيسية: الذاكرة ليست مجرد تخزين - بل استرجاع. مليون حقيقة مخزنة لا تعني شيئًا إذا لم تتمكن من العثور على الحقيقة الصحيحة. تحديد القطع، التضمين، واستراتيجيات الاسترجاع هي التي تحدد ما إذا كان وكيلك يتذكر أو ينسى. المجال هو fragm

ai-research

claude-code-guide

٥١٨

الدليل الرئيسي لاستخدام Claude Code بفعالية. يتضمن قوالب التهيئة، استراتيجيات التحفيز، كلمات مفتاحية "التفكير"، تقنيات تصحيح الأخطاء، وأفضل الممارسات للتفاعل مع الوكيل.

ai-research

ai-agents-architect

٤٦٣

خبير في تصميم وبناء وكلاء الذكاء الاصطناعي المستقلين. يتقن استخدام الأدوات، أنظمة الذاكرة، استراتيجيات التخطيط، وتنسيق الوكلاء المتعددين. يُستخدم عند: بناء وكيل، وكيل ذكاء اصطناعي، وكيل مستقل، استخدام الأدوات، استدعاء الدوال.

ai-research

context7-auto-research

٤٠٥

جلب أحدث توثيق للمكتبة/الإطار تلقائيًا لـ Claude Code عبر واجهة برمجة التطبيقات Context7

ai-research

prompt-engineering

٣٤٥

دليل خبير حول أنماط هندسة المطالبات، أفضل الممارسات، وتقنيات التحسين. يُستخدم عندما يرغب المستخدم في تحسين المطالبات، تعلم استراتيجيات التوجيه، أو تصحيح سلوك الوكيل.

ai-research

prompt-engineer

٢٥٨

خبير في تصميم مطالبات فعالة لتطبيقات مدعومة بنماذج اللغة الكبيرة (LLM). يتقن هيكلة المطالبات، إدارة السياق، تنسيق المخرجات، وتقييم المطالبات. يُستخدم عند: هندسة المطالبات، مطالبة النظام، القليل من الأمثلة، سلسلة التفكير، تصميم المطالبات.

ai-research

agents-autogpt

٢٤١

منصة وكيل ذكاء اصطناعي مستقل لبناء ونشر وكلاء مستمرين. استخدمها عند إنشاء وكلاء سير عمل بصريين، أو نشر وكلاء مستقلين دائمين، أو بناء أنظمة أتمتة ذكاء اصطناعي معقدة متعددة الخطوات.

ai-research

agents-crewai

٢٤١

إطار عمل تنسيق متعدد الوكلاء للتعاون الذاتي للذكاء الاصطناعي. يُستخدم عند بناء فرق من الوكلاء المتخصصين الذين يعملون معًا على مهام معقدة، عندما تحتاج إلى تعاون وكلاء قائم على الأدوار مع ذاكرة، أو لعمليات الإنتاج التي تتطلب تنفيذًا تسلسليًا/هرميًا. تم بناؤه بدون تبعيات LangChain لتنفيذ خفيف وسريع.

ai-research

agent-manager-skill

٢٢٠

إدارة عدة وكلاء CLI محليين عبر جلسات tmux (بدء/إيقاف/مراقبة/تعيين) مع جدولة متوافقة مع cron.

ai-research

agent-tool-builder

١٩٩

الأدوات هي الوسيلة التي يتفاعل بها وكلاء الذكاء الاصطناعي مع العالم. الأداة المصممة جيدًا هي الفرق بين وكيل يعمل ووكيل يتخيل، يفشل بصمت، أو يكلف 10 أضعاف عدد الرموز اللازمة. تغطي هذه المهارة تصميم الأدوات من المخطط إلى معالجة الأخطاء. أفضل الممارسات في JSON Schema، كتابة الوصف التي تساعد فعليًا نموذج اللغة الكبير (LLM)، التحقق، والمعيار الناشئ MCP الذي أصبح اللغة المشتركة لأدوات الذكاء الاصطناعي. الرؤية الأساسية: أوصاف الأدوات أهم من تنفيذ الأدوات.

ai-research

autonomous-agents

١٩٨

الوكلاء المستقلون هم أنظمة ذكاء اصطناعي يمكنها تفكيك الأهداف بشكل مستقل، تخطيط الإجراءات، تنفيذ الأدوات، وتصحيح نفسها دون توجيه بشري مستمر. التحدي ليس في جعلهم قادرين - بل في جعلهم موثوقين. كل قرار إضافي يضاعف احتمال الفشل. تغطي هذه المهارة حلقات الوكلاء (ReAct, Plan-Execute)، تفكيك الأهداف، أنماط التأمل، وموثوقية الإنتاج. الفكرة الرئيسية: معدلات الخطأ المتراكمة تقتل الوكلاء المستقلين. معدل نجاح 95% لكل خطوة ينخفض إلى 60% b

ai-research

langgraph

١٧٨

خبير في LangGraph - الإطار الإنتاجي لبناء تطبيقات الذكاء الاصطناعي متعددة الفاعلين والحالة. يغطي بناء الرسوم البيانية، إدارة الحالة، الدورات والفروع، الاستمرارية باستخدام نقاط التحقق، أنماط الإنسان في الحلقة، ونمط وكيل ReAct. يُستخدم في الإنتاج في LinkedIn وUber وأكثر من 400 شركة. هذا هو النهج الموصى به من LangChain لبناء الوكلاء. يُستخدم عند: langgraph، وكيل langchain، وكيل ذو حالة، رسم وكيل، وكيل react.

ai-research

agent-evaluation

١٧٦

اختبار وقياس أداء وكلاء LLM بما في ذلك الاختبار السلوكي، تقييم القدرات، مقاييس الموثوقية، ومراقبة الإنتاج—حيث يحقق حتى أفضل الوكلاء أقل من 50% في معايير الأداء الواقعية. يُستخدم عند: اختبار الوكلاء، تقييم الوكلاء، مقارنة الوكلاء، موثوقية الوكلاء، اختبار الوكيل.

ai-research

research-engineer

١٧١

مهندس أبحاث أكاديمية لا يساوم. يعمل بدقة علمية مطلقة، ونقد موضوعي، وبدون أي لمسة فنية. يركز على الصحة النظرية، والتحقق الرسمي، والتنفيذ الأمثل عبر أي تقنية مطلوبة.

ai-research

agent-memory-mcp

١٦٧

نظام ذاكرة هجين يوفر إدارة معرفة دائمة وقابلة للبحث لوكلاء الذكاء الاصطناعي (الهيكلية، الأنماط، القرارات).

ai-research

conversation-memory

١٥٩

أنظمة الذاكرة المستمرة لمحادثات نماذج اللغة الكبيرة (LLM) بما في ذلك الذاكرة قصيرة الأمد، الذاكرة طويلة الأمد، والذاكرة المعتمدة على الكيانات. الاستخدام عند: ذاكرة المحادثة، التذكر، استمرارية الذاكرة، الذاكرة طويلة الأمد، سجل الدردشة.

ai-research

qa-test-planner

١٥٢

إنشاء خطط اختبار شاملة، وحالات اختبار يدوية، ومجموعات اختبار الانحدار، وتقارير الأخطاء لمهندسي ضمان الجودة. يتضمن تكامل Figma MCP للتحقق من صحة التصميم.

ai-research

rag-engineer

١٤٨

خبير في بناء أنظمة التوليد المعزز بالاسترجاع. ماهر في نماذج التضمين، قواعد بيانات المتجهات، استراتيجيات التجزئة، وتحسين الاسترجاع لتطبيقات نماذج اللغة الكبيرة (LLM). يُستخدم عند: بناء RAG، البحث المتجهي، التضمينات، البحث الدلالي، استرجاع الوثائق.

ai-research

agents-llamaindex

١٤٤

إطار عمل للبيانات لبناء تطبيقات LLM باستخدام RAG. متخصص في استيعاب الوثائق (أكثر من 300 موصل)، والفهرسة، والاستعلام. يتميز بمؤشرات متجهة، ومحركات استعلام، ووكلاء، ودعم متعدد الوسائط. يُستخدم في أسئلة وأجوبة الوثائق، والدردشة الآلية، واسترجاع المعرفة، أو بناء خطوط أنابيب RAG. الأفضل لتطبيقات LLM التي تركز على البيانات.

ai-research

prompt-engineering-guidance

١٣٣

التحكم في مخرجات LLM باستخدام التعبيرات النمطية والقواعد النحوية، ضمان توليد JSON/XML/كود صالح، فرض تنسيقات منظمة، وبناء سير عمل متعدد الخطوات باستخدام Guidance - إطار التوليد المقيد من Microsoft Research

ai-research

context-window-management

١٣٠

استراتيجيات إدارة نوافذ سياق LLM بما في ذلك التلخيص، والتقليم، والتوجيه، وتجنب تدهور السياق. الاستخدام عند: نافذة السياق، حد الرموز، إدارة السياق، هندسة السياق، السياق الطويل.

ai-research

computer-use-agents

١٢٤

بناء وكلاء ذكاء اصطناعي يتفاعلون مع الحواسيب كما يفعل البشر - مشاهدة الشاشات، تحريك المؤشرات، النقر على الأزرار، وكتابة النصوص. يغطي استخدام الحاسوب من Anthropic، Operator/CUA من OpenAI، والبدائل مفتوحة المصدر. تركيز حاسم على الحماية في بيئة معزولة (sandboxing)، الأمان، والتعامل مع التحديات الفريدة للتحكم المعتمد على الرؤية. يُستخدم عند: استخدام الحاسوب، وكيل أتمتة سطح المكتب، ذكاء اصطناعي للتحكم في الشاشة، وكيل معتمد على الرؤية، أتمتة واجهة المستخدم الرسومية (GUI).

ai-research

prompt-engineering-instructor

١١٩

استخراج البيانات المهيكلة من استجابات LLM باستخدام التحقق من الصحة بواسطة Pydantic، إعادة محاولة الاستخراجات الفاشلة تلقائيًا، تحليل JSON المعقد مع أمان النوع، وبث النتائج الجزئية باستخدام Instructor - مكتبة إخراج مهيكلة مجربة في المعارك

ai-research

voice-ai-development

١١٧

خبير في بناء تطبيقات الذكاء الاصطناعي الصوتي - من وكلاء الصوت في الوقت الحقيقي إلى التطبيقات المدعومة بالصوت. يشمل OpenAI Realtime API، Vapi لوكلاء الصوت، Deepgram للتفريغ الصوتي، ElevenLabs للتوليد الصوتي، LiveKit للبنية التحتية في الوقت الحقيقي، وأساسيات WebRTC. يعرف كيفية بناء تجارب صوتية منخفضة الكمون وجاهزة للإنتاج. يُستخدم عند: الذكاء الاصطناعي الصوتي، وكيل الصوت، تحويل الكلام إلى نص، تحويل النص إلى كلام، الصوت في الوقت الحقيقي.

ai-research

autonomous-agent-patterns

١١٦

أنماط التصميم لبناء وكلاء ترميز مستقلين. يغطي تكامل الأدوات، أنظمة الأذونات، أتمتة المتصفح، وسير العمل بمشاركة الإنسان. يُستخدم عند بناء وكلاء الذكاء الاصطناعي، تصميم واجهات برمجة التطبيقات للأدوات، تنفيذ أنظمة الأذونات، أو إنشاء مساعدين ترميز مستقلين.

ai-research

jira

١١٤

استخدم عندما يذكر المستخدم مشكلات Jira (مثلًا، "PROJ-123"), يسأل عن التذاكر، يرغب في إنشاء/عرض/تحديث المشكلات، التحقق من حالة السبرينت، أو إدارة سير عمل Jira الخاص بهم. يتم التفعيل عند كلمات مفتاحية مثل "jira"، "issue"، "ticket"، "sprint"، "backlog"، أو أنماط مفاتيح المشكلات.

ai-research

voice-agents

٩٧

تمثل وكلاء الصوت حدود التفاعل مع الذكاء الاصطناعي - حيث يتحدث البشر بشكل طبيعي مع أنظمة الذكاء الاصطناعي. التحدي ليس فقط في التعرف على الكلام وتوليده، بل في تحقيق تدفق محادثة طبيعي بزمن تأخير أقل من 800 مللي ثانية مع التعامل مع الانقطاعات، والضوضاء الخلفية، والفروق العاطفية. تغطي هذه المهارة معماريتين: تحويل الكلام إلى كلام (OpenAI Realtime API، أقل زمن تأخير، الأكثر طبيعية) وخط الأنابيب (STT→LLM→TTS، مزيد من التحكم، وأسهل في التصحيح). الرؤية الأساسية: زمن التأخير هو القيد.

ai-research

data-processing-ray-data

٨٩

معالجة بيانات قابلة للتوسع لأعباء عمل التعلم الآلي. تنفيذ تدفق البيانات عبر وحدة المعالجة المركزية/وحدة معالجة الرسومات، يدعم Parquet/CSV/JSON/الصور. يتكامل مع Ray Train وPyTorch وTensorFlow. يتوسع من جهاز واحد إلى مئات العقد. يُستخدم للاستدلال الدفعي، معالجة البيانات المسبقة، تحميل البيانات متعددة الوسائط، أو خطوط أنابيب ETL الموزعة.

ai-research

gemini

٨٥

استخدم عندما يطلب المستخدم تشغيل Gemini CLI لمراجعة الكود، مراجعة الخطة، أو معالجة السياق الكبير (>200k). مثالي للتحليل الشامل الذي يتطلب نوافذ سياق كبيرة. يستخدم Gemini 3 Pro بشكل افتراضي لتحقيق أفضل أداء في الاستدلال والبرمجة.

ai-research

parallel-agents

٨٠

أنماط تنسيق الوكلاء المتعددين. يُستخدم عندما يمكن تشغيل مهام مستقلة متعددة بخبرات مجال مختلفة أو عندما يتطلب التحليل الشامل وجهات نظر متعددة.

ai-research

prompt-engineering-dspy

٧٨

بناء أنظمة ذكاء اصطناعي معقدة باستخدام البرمجة التصريحية، تحسين المطالبات تلقائيًا، إنشاء أنظمة RAG وعملاء معيارية باستخدام DSPy - إطار عمل ستانفورد لمعالجة اللغة الطبيعية للبرمجة المنهجية لنماذج اللغة

ai-research

behavioral-modes

٧٦

أنماط تشغيل الذكاء الاصطناعي (العصف الذهني، التنفيذ، تصحيح الأخطاء، المراجعة، التعليم، الشحن، التنسيق). استخدمها لتكييف السلوك بناءً على نوع المهمة.

ai-research

prompt-library

٧٦

مجموعة منتقاة من المطالبات عالية الجودة لمختلف حالات الاستخدام. تشمل مطالبات قائمة على الأدوار، وقوالب مخصصة للمهام، وتقنيات تحسين المطالبات. استخدمها عندما يحتاج المستخدم إلى قوالب مطالبات، أو مطالبات تمثيل الأدوار، أو أمثلة جاهزة للاستخدام للمطالبة في البرمجة، أو الكتابة، أو التحليل، أو المهام الإبداعية.

ai-research

distributed-training-pytorch-lightning

٧٥

إطار عمل PyTorch عالي المستوى مع فئة Trainer، تدريب موزع تلقائي (DDP/FSDP/DeepSpeed)، نظام ردود نداء، وأقل قدر من الأكواد التمهيدية. يتوسع من الحاسوب المحمول إلى الحاسوب العملاق بنفس الشفرة. استخدمه عندما تريد حلقات تدريب نظيفة مع أفضل الممارسات المدمجة.

ai-research

distributed-training-accelerate

٧٢

أسهل واجهة برمجة تطبيقات للتدريب الموزع. 4 أسطر لإضافة دعم التوزيع لأي سكريبت PyTorch. واجهة موحدة لـ DeepSpeed/FSDP/Megatron/DDP. التوزيع التلقائي للأجهزة، الدقة المختلطة (FP16/BF16/FP8). تكوين تفاعلي، أمر تشغيل واحد. معيار نظام HuggingFace البيئي.

ai-research

emerging-techniques-knowledge-distillation

٧٢

ضغط نماذج اللغة الكبيرة باستخدام تقطير المعرفة من نماذج المعلم إلى الطالب. يُستخدم عند نشر نماذج أصغر مع الحفاظ على الأداء، ونقل قدرات GPT-4 إلى النماذج مفتوحة المصدر، أو تقليل تكاليف الاستدلال. يشمل ذلك مقياس الحرارة، الأهداف الناعمة، KLD العكسي، تقطير اللوغيت، واستراتيجيات تدريب MiniLLM.

ai-research

data-processing-nemo-curator

٧١

تنسيق البيانات المعزز بوحدة معالجة الرسومات (GPU) لتدريب نماذج اللغة الكبيرة (LLM). يدعم النص/الصورة/الفيديو/الصوت. يتميز بإزالة التكرار الغامض (أسرع 16×)، تصفية الجودة (أكثر من 30 قاعدة استدلالية)، إزالة التكرار الدلالي، إخفاء المعلومات الشخصية (PII)، واكتشاف المحتوى غير المناسب (NSFW). يتوسع عبر وحدات معالجة الرسومات باستخدام RAPIDS. يُستخدم لتحضير مجموعات بيانات تدريب عالية الجودة، تنظيف بيانات الويب، أو إزالة التكرار من مجموعات نصوص كبيرة.

ai-research

rag-qdrant

٧٠

محرك بحث تشابه متجه عالي الأداء لـ RAG والبحث الدلالي. يُستخدم عند بناء أنظمة RAG الإنتاجية التي تتطلب بحث الجار الأقرب السريع، البحث الهجين مع التصفية، أو تخزين المتجهات القابل للتوسع بأداء مدعوم بواسطة Rust.

ai-research

crewai

٦٨

خبير في CrewAI - الإطار الرائد متعدد الوكلاء القائم على الأدوار والذي تستخدمه 60% من شركات فورتشن 500. يغطي تصميم الوكلاء مع الأدوار والأهداف، تعريف المهام، تنظيم الطاقم، أنواع العمليات (تسلسلي، هرمي، متوازي)، أنظمة الذاكرة، والتدفقات لسير العمل المعقدة. ضروري لبناء فرق وكلاء ذكاء اصطناعي تعاونية. يُستخدم عند: crewai، فريق متعدد الوكلاء، أدوار الوكلاء، طاقم من الوكلاء، وكلاء قائمون على الأدوار.

ai-research

emerging-techniques-long-context

٦٧

تمديد نوافذ السياق لنماذج المحولات باستخدام تقنيات RoPE وYaRN وALiBi والتداخل الموضعي. يُستخدم عند معالجة المستندات الطويلة (32k-128k+ توكن)، وتمديد النماذج المدربة مسبقًا إلى ما يتجاوز حدود السياق الأصلية، أو تنفيذ ترميزات موضعية فعالة. يغطي التضمينات الدوارة، تحيزات الانتباه، طرق التداخل، واستراتيجيات الاستقراء لنماذج اللغة الكبيرة (LLMs).

ai-research

dispatching-parallel-agents

٦٦

استخدم عند مواجهة مهمتين مستقلتين أو أكثر يمكن العمل عليهما دون حالة مشتركة أو تبعيات تسلسلية

ai-research

data-scientist

٦٣

عالم بيانات خبير في التحليلات المتقدمة، التعلم الآلي، والنمذجة الإحصائية. يتعامل مع تحليل البيانات المعقدة، النمذجة التنبؤية، واستخبارات الأعمال.

ai-research

distributed-training-deepspeed

٥٩

إرشادات الخبراء للتدريب الموزع باستخدام DeepSpeed - مراحل تحسين ZeRO، التوازي الخطي، FP16/BF16/FP8، 1-bit Adam، الانتباه المتفرق

ai-research

perplexity

٥٩

البحث على الويب والبحث باستخدام Perplexity AI. استخدمه عندما يقول المستخدم "search"، "find"، "look up"، "ask"، "research"، أو "what's the latest" للاستفسارات العامة. لا يستخدم لوثائق المكتبات/الأُطُر (استخدم Context7) أو أسئلة مساحة العمل.

ai-research

llm-app-patterns

٥٨

أنماط جاهزة للإنتاج لبناء تطبيقات LLM. تغطي خطوط أنابيب RAG، وهندسات الوكلاء، وبيئات تطوير التعليمات البرمجية (IDEs) الخاصة بالتوجيه، ومراقبة LLMOps. استخدمها عند تصميم تطبيقات الذكاء الاصطناعي، أو تنفيذ RAG، أو بناء الوكلاء، أو إعداد مراقبة LLM.

ai-research

ml-paper-writing

٥٨

اكتب أوراق بحثية جاهزة للنشر في مجالات التعلم الآلي والذكاء الاصطناعي لمؤتمرات NeurIPS وICML وICLR وACL وAAAI وCOLM. استخدمها عند صياغة الأوراق من مستودعات الأبحاث، وتنظيم الحجج، والتحقق من الاستشهادات، أو إعداد النسخ النهائية للنشر. تتضمن قوالب LaTeX، وإرشادات المراجعين، وسير عمل التحقق من الاستشهادات.

ai-research

evaluation-lm-evaluation-harness

٥٦

يقوم بتقييم نماذج اللغة الكبيرة (LLMs) عبر أكثر من 60 معيارًا أكاديميًا (MMLU، HumanEval، GSM8K، TruthfulQA، HellaSwag). يُستخدم عند قياس جودة النموذج، مقارنة النماذج، الإبلاغ عن النتائج الأكاديمية، أو تتبع تقدم التدريب. معيار صناعي تستخدمه EleutherAI وHuggingFace والمختبرات الكبرى. يدعم HuggingFace وvLLM وواجهات برمجة التطبيقات (APIs).

ai-research

inference-serving-vllm

٥٥

يخدم نماذج اللغة الكبيرة (LLMs) بمعدل نقل بيانات عالٍ باستخدام PagedAttention والتجميع المستمر في vLLM. يُستخدم عند نشر واجهات برمجة تطبيقات LLM للإنتاج، أو تحسين زمن الاستدلال/معدل النقل، أو تقديم النماذج ذات ذاكرة GPU المحدودة. يدعم نقاط النهاية المتوافقة مع OpenAI، والتكميم (GPTQ/AWQ/FP8)، والتوازي التنسوري.

ai-research

distributed-training-megatron-core

٥٣

يدرب نماذج اللغة الكبيرة (2 مليار - 462 مليار معلمة) باستخدام NVIDIA Megatron-Core مع استراتيجيات التوازي المتقدمة. يُستخدم عند تدريب نماذج تزيد عن 1 مليار معلمة، أو الحاجة إلى أقصى كفاءة لوحدة معالجة الرسومات (47% MFU على H100)، أو عند الحاجة إلى التوازي في التنسور/الخط الأنبوبي/التسلسل/السياق/الخبير. إطار عمل جاهز للإنتاج يُستخدم في Nemotron وLLaMA وDeepSeek.

ai-research

loki-mode

٥٢

نظام بدء تشغيل مستقل متعدد الوكلاء لـ Claude Code. يتم تفعيله في "وضع لوكي". يدير أكثر من 100 وكيل متخصص عبر الهندسة، ضمان الجودة، DevOps، الأمن، البيانات/التعلم الآلي، عمليات الأعمال، التسويق، الموارد البشرية، ونجاح العملاء. يحول وثيقة متطلبات المنتج (PRD) إلى منتج منشور بالكامل ويولد إيرادات بدون تدخل بشري. يتميز بأداة Task لإرسال الوكلاء الفرعيين، مراجعة كود متوازية مع 3 مراجعين متخصصين، فرز القضايا بناءً على الشدة، قائمة مهام موزعة مع معالجة الرسائل الميتة، نشر تلقائي لمزودي السحابة، اختبار A/B، حلقات تغذية راجعة من العملاء، استجابة للحوادث، قواطع الدائرة، والشفاء الذاتي. يتعامل مع حدود المعدل عبر نقاط تحقق حالة موزعة واستئناف تلقائي مع تراجع أسي. يتطلب العلم --dangerously-skip-permissions.

ai-research

distributed-training-pytorch-fsdp

٥١

إرشادات الخبراء لتدريب البيانات المتوازية الموزعة بالكامل باستخدام PyTorch FSDP - تقسيم المعلمات، الدقة المختلطة، تفريغ المعالج المركزي، FSDP2

ai-research

emerging-techniques-model-merging

٤٩

دمج نماذج متعددة مُحسّنة باستخدام mergekit لدمج القدرات دون إعادة التدريب. يُستخدم عند إنشاء نماذج متخصصة من خلال مزج الخبرات الخاصة بالمجال (الرياضيات + البرمجة + الدردشة)، وتحسين الأداء بما يتجاوز النماذج الفردية، أو التجريب السريع مع متغيرات النماذج. يشمل SLERP، TIES-Merging، DARE، حساب المهام، الدمج الخطي، واستراتيجيات النشر الإنتاجي.

ai-research

prompt-engineering-outlines

٤٨

ضمان هيكل JSON/XML/كود صالح أثناء التوليد، استخدام نماذج Pydantic لمخرجات آمنة من حيث النوع، دعم النماذج المحلية (Transformers، vLLM)، وتعظيم سرعة الاستدلال باستخدام Outlines - مكتبة التوليد الهيكلية من dottxt.ai

ai-research

datadog-cli

٤٦

واجهة سطر الأوامر Datadog للبحث في السجلات، واستعلام المقاييس، وتتبع الطلبات، وإدارة لوحات المعلومات. استخدم هذا عند تصحيح مشكلات الإنتاج أو العمل مع مراقبة Datadog.

ai-research

emerging-techniques-speculative-decoding

٤٦

تسريع استدلال نماذج اللغة الكبيرة (LLM) باستخدام فك التشفير التكهنّي، رؤوس ميدوسا المتعددة، وتقنيات فك التشفير المتقدم. يُستخدم عند تحسين سرعة الاستدلال (زيادة سرعة بمقدار 1.5-3.6×)، وتقليل الكمون للتطبيقات الزمن الحقيقي، أو نشر النماذج ذات الحوسبة المحدودة. يشمل نماذج المسودات، الانتباه القائم على الشجرة، تكرار جاكوبي، توليد الرموز بالتوازي، واستراتيجيات النشر الإنتاجي.

ai-research

rag-chroma

٤٦

قاعدة بيانات تضمين مفتوحة المصدر لتطبيقات الذكاء الاصطناعي. تخزين التضمينات والبيانات الوصفية، إجراء البحث المتجهي والبحث النصي الكامل، التصفية حسب البيانات الوصفية. واجهة برمجة تطبيقات بسيطة بأربع وظائف. قابلة للتوسع من دفاتر الملاحظات إلى مجموعات الإنتاج. استخدمها للبحث الدلالي، تطبيقات RAG، أو استرجاع المستندات. الأفضل للتطوير المحلي والمشاريع مفتوحة المصدر.

ai-research

distributed-training-ray-train

٤٥

تنسيق التدريب الموزع عبر العناقيد. يوسع نطاق PyTorch/TensorFlow/HuggingFace من الحاسوب المحمول إلى آلاف العقد. ضبط المعاملات الفائقة المدمج باستخدام Ray Tune، تحمل الأخطاء، التوسع المرن. يُستخدم عند تدريب نماذج ضخمة عبر عدة أجهزة أو تشغيل عمليات مسح المعاملات الفائقة الموزعة.

ai-research

rag-implementation

٤٤

أنماط التوليد المعزز بالاسترجاع بما في ذلك التجزئة، التضمينات، مخازن المتجهات، وتحسين الاسترجاع. يُستخدم عند: rag، التوليد المعزز بالاسترجاع، البحث المتجهي، التضمينات، البحث الدلالي.

ai-research

inference-serving-tensorrt-llm

٤٣

يُحسّن استدلال نماذج اللغة الكبيرة (LLM) باستخدام NVIDIA TensorRT لتحقيق أقصى معدل نقل وأدنى زمن استجابة. يُستخدم للنشر الإنتاجي على وحدات معالجة الرسومات من NVIDIA (A100/H100)، عندما تحتاج إلى استدلال أسرع بمقدار 10-100 مرة مقارنة بـ PyTorch، أو لخدمة النماذج مع التكميم (FP8/INT4)، التجميع أثناء الطيران، وتوسيع النطاق عبر عدة وحدات معالجة رسومات.

ai-research

fine-tuning-peft

٤٢

الضبط الدقيق الفعال من حيث المعاملات لنماذج اللغة الكبيرة (LLMs) باستخدام LoRA و QLoRA وأكثر من 25 طريقة. يُستخدم عند ضبط النماذج الكبيرة (7B-70B) بذاكرة GPU محدودة، عندما تحتاج إلى تدريب أقل من 1% من المعاملات مع فقدان دقة ضئيل، أو لخدمة متعددة المحولات. مكتبة HuggingFace الرسمية مدمجة مع نظام transformers.

ai-research

subagent-driven-development

٤٢

استخدم عند تنفيذ خطط التنفيذ مع المهام المستقلة في الجلسة الحالية

ai-research

fine-tuning-unsloth

٤١

إرشادات الخبراء لضبط دقيق سريع مع Unsloth - تدريب أسرع بمعدل 2-5 مرات، استخدام ذاكرة أقل بنسبة 50-80%، تحسين LoRA/QLoRA

ai-research

emerging-techniques-moe-training

٣٩

تدريب نماذج مزيج الخبراء (MoE) باستخدام DeepSpeed أو HuggingFace. يُستخدم عند تدريب نماذج كبيرة النطاق مع موارد حسابية محدودة (تقليل التكلفة بمقدار 5× مقارنة بالنماذج الكثيفة)، وتنفيذ البنى النادرة مثل Mixtral 8x7B أو DeepSeek-V3، أو توسيع سعة النموذج دون زيادة متناسبة في الموارد الحسابية. يغطي البنى المعمارية لـ MoE، وآليات التوجيه، وتوازن الأحمال، والتوازي بين الخبراء، وتحسين الاستدلال.

ai-research

evaluation-bigcode-evaluation-harness

٣٨

يقوم بتقييم نماذج توليد الشيفرة عبر HumanEval و MBPP و MultiPL-E وأكثر من 15 معيارًا باستخدام مقاييس pass@k. يُستخدم عند قياس أداء نماذج الشيفرة، مقارنة قدرات البرمجة، اختبار دعم اللغات المتعددة، أو قياس جودة توليد الشيفرة. معيار صناعي من مشروع BigCode يُستخدم في لوحات المتصدرين الخاصة بـ HuggingFace.

ai-research

prompt-caching

٣٧

استراتيجيات التخزين المؤقت لمطالبات LLM بما في ذلك التخزين المؤقت لمطالبات Anthropic، التخزين المؤقت للاستجابات، وCAG (التوليد المعزز بالتخزين المؤقت) الاستخدام عند: التخزين المؤقت للمطالبات، تخزين مطالبة، تخزين استجابة، cag، التوليد المعزز بالتخزين المؤقت.

ai-research

emerging-techniques-model-pruning

٣٥

تقليل حجم نماذج LLM وتسريع الاستدلال باستخدام تقنيات التقليم مثل Wanda وSparseGPT. يُستخدم عند ضغط النماذج دون إعادة تدريب، لتحقيق 50% من التخلخل مع فقدان دقة ضئيل، أو لتمكين استدلال أسرع على مسرعات الأجهزة. يغطي التقليم غير المهيكل، والتقليم المهيكل، وتخلخل N:M، وتقليم الحجم، وطرق اللقطة الواحدة.

ai-research

inference-serving-llama-cpp

٣٥

يقوم بتشغيل استدلال LLM على وحدة المعالجة المركزية، Apple Silicon، وبطاقات الرسومات الاستهلاكية بدون أجهزة NVIDIA. يُستخدم للنشر على الحافة، أجهزة Mac M1/M2/M3، بطاقات AMD/Intel الرسومية، أو عندما لا يتوفر CUDA. يدعم تقليل دقة GGUF (1.5-8 بت) لتقليل الذاكرة وتسريع الأداء بمعدل 4-10× مقارنة بـ PyTorch على وحدة المعالجة المركزية.

ai-research

fine-tuning-llama-factory

٣٤

إرشادات خبراء لضبط نماذج اللغة الكبيرة (LLMs) باستخدام LLaMA-Factory - واجهة ويب بدون كود، أكثر من 100 نموذج، QLoRA بدقة 2/3/4/5/6/8 بت، دعم متعدد الوسائط

ai-research

mlops-mlflow

٣٣

تتبع تجارب التعلم الآلي، إدارة سجل النماذج مع التحكم في الإصدارات، نشر النماذج للإنتاج، وإعادة إنتاج التجارب باستخدام MLflow - منصة دورة حياة التعلم الآلي غير المعتمدة على إطار عمل معين

ai-research

mlops-weights-and-biases

٣٢

تتبع تجارب التعلم الآلي مع التسجيل التلقائي، تصور التدريب في الوقت الحقيقي، تحسين المعاملات الفائقة باستخدام عمليات المسح، وإدارة سجل النماذج مع W&B - منصة MLOps التعاونية

ai-research

multimodal-whisper

٣٠

نموذج التعرف على الكلام العام من OpenAI. يدعم 99 لغة، النسخ، الترجمة إلى الإنجليزية، وتحديد اللغة. ستة أحجام للنماذج من صغير جدًا (39 مليون معلمة) إلى كبير (1550 مليون معلمة). يُستخدم لتحويل الكلام إلى نص، نسخ البودكاست، أو معالجة الصوت متعددة اللغات. الأفضل للتعرف التلقائي على الكلام متعدد اللغات والموثوق.

ai-research

rag-faiss

٢٩

مكتبة فيسبوك للبحث الفعال عن التشابه وتجميع المتجهات الكثيفة. تدعم مليارات المتجهات، تسريع GPU، وأنواع فهرسة مختلفة (Flat, IVF, HNSW). استخدمها للبحث السريع عن k-NN، استرجاع المتجهات على نطاق واسع، أو عندما تحتاج إلى بحث تشابه نقي بدون بيانات وصفية. الأفضل للتطبيقات عالية الأداء.

ai-research

fine-tuning-axolotl

٢٧

إرشادات خبراء لضبط نماذج اللغة الكبيرة (LLMs) بدقة باستخدام Axolotl - تكوينات YAML، أكثر من 100 نموذج، LoRA/QLoRA، DPO/KTO/ORPO/GRPO، دعم متعدد الوسائط

ai-research

mlops-tensorboard

٢٧

تصور مقاييس التدريب، قم بتصحيح النماذج باستخدام المدرجات التكرارية، قارن التجارب، تصور مخططات النماذج، وقم بتحليل الأداء باستخدام TensorBoard - مجموعة أدوات جوجل لتصور التعلم الآلي

ai-research

evaluation-nemo-evaluator

٢٦

يقوم بتقييم نماذج اللغة الكبيرة (LLMs) عبر أكثر من 100 معيار من أكثر من 18 أداة اختبار (MMLU، HumanEval، GSM8K، السلامة، VLM) مع تنفيذ متعدد الخلفيات. يُستخدم عند الحاجة إلى تقييم قابل للتوسع على Docker المحلي، أو Slurm HPC، أو منصات السحابة. منصة NVIDIA ذات المستوى المؤسسي مع بنية تعتمد على الحاويات أولاً لضمان قابلية إعادة التقييم.

ai-research

infrastructure-modal

٢٦

منصة سحابية GPU بدون خوادم لتشغيل أحمال عمل التعلم الآلي. استخدمها عندما تحتاج إلى وصول GPU عند الطلب دون إدارة البنية التحتية، أو نشر نماذج التعلم الآلي كواجهات برمجة تطبيقات (APIs)، أو تشغيل مهام الدُفعات مع التوسع التلقائي.

ai-research

infrastructure-lambda-labs

٢٥

حالات سحابة GPU المحجوزة وعند الطلب لتدريب وتفسير التعلم الآلي. استخدمها عندما تحتاج إلى حالات GPU مخصصة مع وصول SSH بسيط، أنظمة ملفات دائمة، أو عناقيد متعددة العقد عالية الأداء للتدريب على نطاق واسع.

ai-research

langfuse

٢٥

خبير في Langfuse - منصة مراقبة نماذج اللغة الكبيرة مفتوحة المصدر. تغطي التتبع، إدارة المطالبات، التقييم، مجموعات البيانات، والتكامل مع LangChain وLlamaIndex وOpenAI. ضرورية لتصحيح الأخطاء، المراقبة، وتحسين تطبيقات نماذج اللغة الكبيرة في بيئة الإنتاج. يُستخدم عند: langfuse، مراقبة نماذج اللغة الكبيرة، تتبع نماذج اللغة الكبيرة، إدارة المطالبات، تقييم نماذج اللغة الكبيرة.

ai-research

inference-serving-sglang

٢٤

التوليد الهيكلي السريع والتقديم لنماذج اللغة الكبيرة (LLMs) مع تخزين مؤقت بادئة RadixAttention. يُستخدم لمخرجات JSON/regex، فك التشفير المقيد، سير العمل الوكلي مع استدعاءات الأدوات، أو عندما تحتاج إلى استدلال أسرع بمقدار 5× مقارنة بـ vLLM مع مشاركة البادئة. يدعم أكثر من 300,000 وحدة معالجة رسومات (GPU) في xAI وAMD وNVIDIA وLinkedIn.

ai-research

multimodal-stable-diffusion

٢٣

توليد الصور من النصوص بأحدث التقنيات باستخدام نماذج Stable Diffusion عبر مكتبة HuggingFace Diffusers. يُستخدم عند توليد الصور من أوامر نصية، أو إجراء الترجمة من صورة إلى أخرى، أو التلوين داخل الصور (inpainting)، أو بناء خطوط أنابيب انتشار مخصصة.

ai-research

rag-pinecone

٢٣

قاعدة بيانات متجهات مُدارة لتطبيقات الذكاء الاصطناعي الإنتاجية. مُدارة بالكامل، قابلة للتوسع التلقائي، مع بحث هجين (كثيف + متناثر)، تصفية البيانات الوصفية، ومساحات أسماء. زمن استجابة منخفض (<100 مللي ثانية عند النسبة 95). استخدمها لتوليد المعرفة الإنتاجي (RAG)، أنظمة التوصية، أو البحث الدلالي على نطاق واسع. الأفضل للبنية التحتية بدون خوادم والمُدارة.

ai-research

infrastructure-skypilot

٢٢

تنسيق متعدد السحابات لأعباء عمل التعلم الآلي مع تحسين تلقائي للتكاليف. استخدمه عندما تحتاج إلى تشغيل تدريبات أو مهام دفعة عبر عدة سحابات، والاستفادة من الحالات الفورية مع الاسترداد التلقائي، أو تحسين تكاليف وحدات معالجة الرسومات عبر المزودين.

ai-research

multimodal-audiocraft

٢٢

مكتبة PyTorch لتوليد الصوت بما في ذلك تحويل النص إلى موسيقى (MusicGen) وتحويل النص إلى صوت (AudioGen). استخدمها عندما تحتاج إلى توليد موسيقى من أوصاف نصية، إنشاء مؤثرات صوتية، أو تنفيذ توليد موسيقى مشروط باللحن.

ai-research

observability-langsmith

٢١

منصة مراقبة نماذج اللغة الكبيرة (LLM) للتتبع والتقييم والمراقبة. تُستخدم عند تصحيح تطبيقات LLM، وتقييم مخرجات النماذج مقابل مجموعات البيانات، ومراقبة أنظمة الإنتاج، أو بناء خطوط اختبار منهجية لتطبيقات الذكاء الاصطناعي.

ai-research

data-engineer

٢٠

بناء خطوط أنابيب بيانات قابلة للتوسع، ومستودعات بيانات حديثة، وهياكل تدفق بيانات في الوقت الحقيقي. تنفيذ Apache Spark، وdbt، وAirflow، ومنصات البيانات السحابية الأصلية.

ai-research

deep-research-notebooklm

٢٠

مهارة البحث العميق مدعومة بـ NotebookLM MCP. يجري بحثًا منظمًا متعدد المصادر (تحليل السوق، المعلومات التنافسية، تحليل الاتجاهات، بحث العملاء المحتملين) باستخدام Google NotebookLM كمحرك بحث، ثم يقدم ملخصات منسقة وقطع استوديو اختيارية (شرائح، بودكاست صوتي، فيديوهات، رسوم بيانية معلوماتية، تقارير، خرائط ذهنية).

ai-research

mechanistic-interpretability-transformer-lens

٢٠

يوفر إرشادات لأبحاث التفسير الميكانيكي باستخدام TransformerLens لفحص وتحليل مكونات المحول الداخلية عبر نقاط الربط (HookPoints) وتخزين التنشيط المؤقت. يُستخدم عند عكس هندسة خوارزميات النموذج، ودراسة أنماط الانتباه، أو إجراء تجارب تصحيح التنشيط.

ai-research

rag-sentence-transformers

٢٠

إطار عمل للنماذج المتقدمة لتضمين الجمل، النصوص، والصور. يوفر أكثر من 5000 نموذج مدرب مسبقًا للتشابه الدلالي، التجميع، والاسترجاع. يدعم النماذج متعددة اللغات، المتخصصة في المجالات، ومتعددة الوسائط. يُستخدم لتوليد التضمينات لـ RAG، البحث الدلالي، أو مهام التشابه. الأفضل لتوليد التضمينات في بيئات الإنتاج.

ai-research

openai-docs

١٩

استخدم عندما يسأل المستخدم عن كيفية البناء باستخدام منتجات أو واجهات برمجة تطبيقات OpenAI ويحتاج إلى وثائق رسمية محدثة مع الاستشهادات (على سبيل المثال: Codex، واجهة برمجة تطبيقات الردود، إكمالات الدردشة، مجموعة تطوير تطبيقات Apps SDK، مجموعة تطوير وكلاء Agents SDK، الوقت الحقيقي Realtime، قدرات النموذج أو الحدود)؛ قم بإعطاء الأولوية لأدوات MCP الخاصة بوثائق OpenAI وقم بتقييد أي تصفح احتياطي على نطاقات OpenAI الرسمية فقط.

ai-research

optimization-flash-attention

١٩

يُحسّن الانتباه في المحولات باستخدام Flash Attention لتحقيق تسريع بمقدار 2-4 أضعاف وتقليل الذاكرة بمقدار 10-20 ضعف. يُستخدم عند تدريب/تشغيل المحولات مع تسلسلات طويلة (>512 رمزًا)، أو عند مواجهة مشاكل في ذاكرة GPU مع الانتباه، أو الحاجة إلى استدلال أسرع. يدعم PyTorch native SDPA، مكتبة flash-attn، H100 FP8، وانتباه النافذة المنزلقة.

ai-research

tokenization-huggingface-tokenizers

١٩

محللات الرموز السريعة المُحسّنة للبحث والإنتاج. تنفيذ قائم على Rust يقوم بتحليل 1 جيجابايت في أقل من 20 ثانية. يدعم خوارزميات BPE وWordPiece وUnigram. تدريب مفردات مخصصة، تتبع المحاذاة، التعامل مع الحشو/الاقتطاع. يتكامل بسلاسة مع transformers. استخدمه عندما تحتاج إلى تحليل رموز عالي الأداء أو تدريب محلل رموز مخصص.

ai-research

deep-research

١٨

قم بتشغيل مهام البحث الذاتية التي تخطط وتبحث وتقرأ وتلخص المعلومات في تقارير شاملة.

ai-research

optimization-gguf

١٨

تنسيق GGUF وكمية llama.cpp للاستدلال الفعال على وحدة المعالجة المركزية/وحدة معالجة الرسومات. استخدمه عند نشر النماذج على أجهزة المستهلك، Apple Silicon، أو عند الحاجة إلى كمية مرنة من 2-8 بت بدون متطلبات GPU.

ai-research

gepetto

١٧

ينشئ خطط تنفيذ مفصلة ومقسمة إلى أقسام من خلال البحث، مقابلات أصحاب المصلحة، ومراجعة متعددة لنماذج اللغة الكبيرة (LLM). يُستخدم عند تخطيط الميزات التي تتطلب تحليلًا دقيقًا قبل التنفيذ.

ai-research

model-architecture-nanogpt

١٧

تنفيذ تعليمي لـ GPT في حوالي 300 سطر. يعيد إنتاج GPT-2 (124M) على OpenWebText. كود نظيف وقابل للتعديل لتعلم المحولات. بواسطة Andrej Karpathy. مثالي لفهم بنية GPT من الصفر. التدريب على Shakespeare (وحدة المعالجة المركزية) أو OpenWebText (متعدد وحدات معالجة الرسومات).

ai-research

multimodal-clip

١٦

نموذج OpenAI الذي يربط بين الرؤية واللغة. يتيح التصنيف الصوري بدون تدريب مسبق، ومطابقة الصور مع النصوص، والاسترجاع عبر الوسائط. تم تدريبه على 400 مليون زوج من الصور والنصوص. يُستخدم في البحث عن الصور، ومراقبة المحتوى، أو مهام الرؤية واللغة دون الحاجة إلى ضبط دقيق. الأفضل لفهم الصور لأغراض عامة.

ai-research

multimodal-segment-anything

١٦

نموذج أساسي لتقسيم الصور مع نقل بدون تدريب مسبق. استخدمه عندما تحتاج إلى تقسيم أي كائن في الصور باستخدام نقاط أو مربعات أو أقنعة كمحفزات، أو لتوليد جميع أقنعة الكائنات في الصورة تلقائيًا.

ai-research

optimization-bitsandbytes

١٦

يُكمم نماذج اللغة الكبيرة (LLMs) إلى 8-بت أو 4-بت لتقليل الذاكرة بنسبة 50-75% مع فقدان دقة ضئيل. يُستخدم عندما تكون ذاكرة وحدة معالجة الرسومات (GPU) محدودة، أو الحاجة إلى استيعاب نماذج أكبر، أو الرغبة في استدلال أسرع. يدعم صيغ INT8، NF4، FP4، تدريب QLoRA، ومحسّنات 8-بت. يعمل مع مكتبة HuggingFace Transformers.

ai-research

observability-phoenix

١٥

منصة مراقبة الذكاء الاصطناعي مفتوحة المصدر لتتبع نماذج اللغة الكبيرة (LLM)، التقييم، والمراقبة. تُستخدم عند تصحيح تطبيقات LLM مع تتبعات مفصلة، إجراء التقييمات على مجموعات البيانات، أو مراقبة أنظمة الذكاء الاصطناعي الإنتاجية مع رؤى في الوقت الحقيقي.

ai-research

optimization-gptq

١٥

الكمية بعد التدريب بدقة 4 بت لنماذج اللغة الكبيرة مع فقدان دقة ضئيل. يُستخدم لنشر النماذج الكبيرة (70B، 405B) على وحدات معالجة الرسومات للمستهلكين، عندما تحتاج إلى تقليل الذاكرة بمقدار 4× مع تدهور في التعقيد أقل من 2%، أو لتسريع الاستدلال (زيادة سرعة 3-4×) مقارنة بـ FP16. يتكامل مع مكتبات transformers و PEFT لضبط QLoRA الدقيق.

ai-research

post-training-trl-fine-tuning

١٥

ضبط نماذج اللغة الكبيرة (LLMs) باستخدام التعلم المعزز مع TRL - SFT لضبط التعليمات، DPO لمحاذاة التفضيلات، PPO/GRPO لتحسين المكافأة، وتدريب نموذج المكافأة. يُستخدم عند الحاجة إلى RLHF، لمواءمة النموذج مع التفضيلات، أو التدريب من خلال ملاحظات البشر. يعمل مع مكتبة HuggingFace Transformers.

ai-research

safety-alignment-constitutional-ai

١٥

طريقة Anthropic لتدريب الذكاء الاصطناعي غير الضار من خلال التحسين الذاتي. نهج من مرحلتين - التعلم الموجه مع النقد الذاتي/المراجعة، ثم RLAIF (التعلم المعزز من ملاحظات الذكاء الاصطناعي). يُستخدم لمحاذاة السلامة، وتقليل المخرجات الضارة دون الحاجة إلى تسميات بشرية. يدعم نظام السلامة الخاص بـ Claude.

ai-research

safety-alignment-nemo-guardrails

١٥

إطار عمل السلامة في وقت التشغيل من NVIDIA لتطبيقات نماذج اللغة الكبيرة (LLM). يتميز بالكشف عن الاختراق، والتحقق من صحة الإدخال/الإخراج، والتحقق من الحقائق، والكشف عن الهلوسة، وترشيح المعلومات الشخصية (PII)، والكشف عن السمية. يستخدم لغة Colang 2.0 الخاصة بالبرمجة القابلة للتخصيص (DSL) للقيود البرمجية. جاهز للإنتاج، ويعمل على وحدة معالجة الرسومات T4.

ai-research

tokenization-sentencepiece

١٥

مجزئ مستقل عن اللغة يعامل النص كنص يونيكود خام. يدعم خوارزميات BPE وUnigram. سريع (50 ألف جملة/ثانية)، خفيف الوزن (ذاكرة 6 ميجابايت)، مفردات حتمية. يستخدمه T5 وALBERT وXLNet وmBART. يتم التدريب على النص الخام بدون تقسيم مسبق. استخدمه عندما تحتاج إلى دعم متعدد اللغات، أو لغات CJK، أو تقسيم يمكن إعادة إنتاجه.

ai-research

mechanistic-interpretability-saelens

١٣

يوفر إرشادات لتدريب وتحليل المشفرات التلقائية المتناثرة (SAEs) باستخدام SAELens لتفكيك تنشيطات الشبكات العصبية إلى ميزات قابلة للتفسير. يُستخدم عند اكتشاف الميزات القابلة للتفسير، تحليل التراكب، أو دراسة التمثيلات أحادية الدلالة في نماذج اللغة.

ai-research

optimization-hqq

١٣

الكمية نصف التربيعية لنماذج اللغة الكبيرة (LLMs) بدون بيانات المعايرة. استخدمها عند تقليل دقة النماذج إلى 4/3/2 بت دون الحاجة إلى مجموعات بيانات المعايرة، من أجل سير عمل تقليل دقة سريع، أو عند النشر باستخدام vLLM أو HuggingFace Transformers.

ai-research

optimization-awq

١٢

التكميم الوزني الواعي بالتنشيط لضغط نماذج اللغة الكبيرة (LLM) بدقة 4-بت مع تسريع بمقدار 3 أضعاف وخسارة دقيقة دنيا. يُستخدم عند نشر النماذج الكبيرة (7B-70B) على ذاكرة GPU محدودة، عندما تحتاج إلى استدلال أسرع من GPTQ مع الحفاظ على دقة أفضل، أو للنماذج المعدلة بالتعليمات والنماذج متعددة الوسائط. الفائز بجائزة أفضل ورقة بحثية في MLSys 2024.

ai-research

post-training-grpo-rl-training

١٢

إرشادات الخبراء لضبط GRPO/RL بدقة باستخدام TRL للتفكير وتدريب النماذج الخاصة بالمهام

ai-research

safety-alignment-llamaguard

١٢

نموذج المراقبة المتخصص من Meta بحجم 7-8 مليارات لمعالجة مدخلات/مخرجات نماذج اللغة الكبيرة (LLM). 6 فئات أمان - العنف/الكراهية، المحتوى الجنسي، الأسلحة، المواد، إيذاء النفس، التخطيط الإجرامي. دقة تتراوح بين 94-95%. يمكن نشره باستخدام vLLM، HuggingFace، Sagemaker. يتكامل مع NeMo Guardrails.

ai-research

model-architecture-rwkv

١١

هجين RNN+Transformer مع استدلال بزمن O(n). زمن خطي، سياق لا نهائي، بدون ذاكرة KV. التدريب مثل GPT (متوازي)، الاستدلال مثل RNN (تسلسلي). مشروع الذكاء الاصطناعي لمؤسسة لينكس. الإنتاج في ويندوز، أوفيس، NeMo. RWKV-7 (مارس 2025). نماذج تصل إلى 14 مليار معلمة.

ai-research

post-training-openrlhf

١١

إطار عمل RLHF عالي الأداء مع تسريع Ray+vLLM. يُستخدم لتدريب PPO، GRPO، RLOO، DPO للنماذج الكبيرة (7B-70B+). مبني على Ray، vLLM، ZeRO-3. أسرع مرتين من DeepSpeedChat مع بنية موزعة ومشاركة موارد GPU.

ai-research

model-architecture-mamba

١٠

نموذج الحالة-الفضاء بتعقيد O(n) مقابل تعقيد O(n²) في المحولات. استدلال أسرع 5×، تسلسلات بملايين الرموز، بدون ذاكرة تخزين KV. SSM انتقائي بتصميم واعٍ للأجهزة. Mamba-1 (d_state=16) و Mamba-2 (d_state=128، متعدد الرؤوس). نماذج من 130M إلى 2.8B على HuggingFace.

ai-research

multimodal-blip-2

١٠

إطار تدريب مسبق للرؤية واللغة يربط بين مشفرات الصور المجمدة ونماذج اللغة الكبيرة (LLMs). يُستخدم عند الحاجة إلى توصيف الصور، الإجابة على الأسئلة البصرية، استرجاع النصوص المرتبطة بالصور، أو الدردشة متعددة الوسائط مع أداء متقدم بدون تدريب مسبق (zero-shot).

ai-research

post-training-miles

١٠

يوفر إرشادات لتدريب التعلم التعزيزي على مستوى المؤسسات باستخدام miles، وهو فرع جاهز للإنتاج من slime. يُستخدم عند تدريب نماذج MoE الكبيرة باستخدام FP8/INT4، ويحتاج إلى محاذاة بين التدريب والاستدلال، أو يتطلب التعلم التعزيزي التكهن لتحقيق أقصى معدل نقل.

ai-research

post-training-simpo

١٠

تحسين التفضيلات البسيط لمحاذاة نماذج اللغة الكبيرة (LLM). بديل بدون مرجع لـ DPO بأداء أفضل (+6.4 نقاط على AlpacaEval 2.0). لا حاجة إلى نموذج مرجعي، أكثر كفاءة من DPO. يُستخدم لمحاذاة التفضيلات عندما ترغب في تدريب أبسط وأسرع من DPO/PPO.

ai-research

post-training-verl

١٠

يوفر إرشادات لتدريب نماذج اللغة الكبيرة (LLMs) باستخدام التعلم المعزز عبر verl (Volcano Engine RL). يُستخدم عند تنفيذ RLHF، GRPO، PPO، أو خوارزميات التعلم المعزز الأخرى لتدريب نماذج اللغة الكبيرة بعد التدريب على نطاق واسع مع بنى تحتية مرنة.

ai-research

multimodal-llava

٩

مساعد كبير للغة والرؤية. يتيح ضبط التعليمات البصرية والمحادثات القائمة على الصور. يجمع بين مشفر الرؤية CLIP ونماذج اللغة Vicuna/LLaMA. يدعم المحادثات متعددة الجولات القائمة على الصور، والإجابة على الأسئلة البصرية، واتباع التعليمات. يُستخدم للدردشة بين اللغة والرؤية أو مهام فهم الصور. الأفضل لتحليل الصور التفاعلي.

ai-research

post-training-slime

٩

يوفر إرشادات لتدريب النماذج اللغوية الكبيرة (LLM) بعد التدريب باستخدام التعلم المعزز (RL) باستخدام slime، وهو إطار عمل Megatron+SGLang. يُستخدم عند تدريب نماذج GLM، أو تنفيذ سير عمل مخصص لتوليد البيانات، أو الحاجة إلى تكامل محكم بين Megatron-LM لتوسيع نطاق التعلم المعزز.

ai-research

mechanistic-interpretability-pyvene

٨

يوفر إرشادات لأداء التدخلات السببية على نماذج PyTorch باستخدام إطار التدخل الإعلاني الخاص بـ pyvene. يُستخدم عند إجراء تتبع سببي، تصحيح التنشيط، تدريب التدخل التبادلي، أو اختبار الفرضيات السببية حول سلوك النموذج.

ai-research

model-architecture-torchtitan

٨

يوفر تدريبًا مبدئيًا موزعًا لنماذج اللغة الكبيرة (LLM) باستخدام PyTorch-native عبر torchtitan مع التوازي رباعي الأبعاد (FSDP2، TP، PP، CP). يُستخدم عند التدريب المبدئي لنماذج Llama 3.1، DeepSeek V3، أو النماذج المخصصة على نطاق واسع من 8 إلى أكثر من 512 وحدة معالجة رسومات (GPU) باستخدام Float8، torch.compile، ونقاط التحقق الموزعة.

ai-research

post-training-torchforge

٨

يوفر إرشادات لوكلاء التعلم المعزز الأصلي في PyTorch باستخدام torchforge، مكتبة Meta التي تفصل البنية التحتية عن الخوارزميات. استخدمها عندما تريد تجريدات تعلم معزز نظيفة، أو تجربة خوارزميات بسهولة، أو تدريب قابل للتوسع باستخدام Monarch و TorchTitan.

ai-research

llm-evaluation

٧

اتقن استراتيجيات التقييم الشاملة لتطبيقات LLM، من المقاييس الآلية إلى التقييم البشري واختبار A/B.

ai-research

mechanistic-interpretability-nnsight

٧

يوفر إرشادات لتفسير والتلاعب بالداخلية لشبكات الأعصاب باستخدام nnsight مع إمكانية التنفيذ عن بُعد عبر NDIF. يُستخدم عند الحاجة إلى إجراء تجارب تفسيرية على نماذج ضخمة (70 مليار+ ) بدون موارد GPU محلية، أو عند العمل مع أي بنية PyTorch.

ai-research

ml-engineer

٧

بناء أنظمة تعلم آلي إنتاجية باستخدام PyTorch 2.x وTensorFlow وأُطُر التعلم الآلي الحديثة. تنفيذ تقديم النماذج، هندسة الميزات، اختبار A/B، والمراقبة.

ai-research

model-architecture-litgpt

٧

ينفذ ويدرب نماذج اللغة الكبيرة (LLMs) باستخدام LitGPT من Lightning AI مع أكثر من 20 بنية مدربة مسبقًا (Llama، Gemma، Phi، Qwen، Mistral). يُستخدم عند الحاجة إلى تنفيذات نموذج نظيفة، أو فهم تعليمي للهياكل، أو ضبط دقيق للإنتاج باستخدام LoRA/QLoRA. تنفيذات في ملف واحد، بدون طبقات تجريد.

ai-research

prompt-engineering-patterns

٧

اتقن تقنيات هندسة المطالبات المتقدمة لتعظيم أداء نماذج اللغة الكبيرة (LLM)، والموثوقية، وقابلية التحكم.

ai-research

pydantic-ai

٦

بناء وكلاء ذكاء اصطناعي جاهزين للإنتاج باستخدام PydanticAI — استخدام أدوات آمن من حيث النوع، مخرجات منظمة، حقن التبعيات، ودعم متعدد النماذج.

ai-research

llm-ops

١

تشغيل نماذج اللغة الكبيرة (LLM) -- RAG، التضمينات، قواعد بيانات المتجهات، التخصيص الدقيق، هندسة المطالبات المتقدمة، تكاليف LLM، تقييمات الجودة وهندسة الذكاء الاصطناعي للإنتاج.