In Vals AI’s simulated tests, Deepseek V4.1 Flash 1017 came close to a leading closed model in some scenarios. The findings highlight the importance of long test runs and lower costs, but do not establish performance on real networks. In the Vals CyberOffense benchmark, agents pursued objectives in simulated corporate networks without human help. GPT-6 Sol Daybreak averaged 15.7/21 objectives in Nova and reached 27/31 in Lighthouse; Deepseek V4.1 Flash 1017 scored 16.3/21 and 21/31. Vals reports approximate run costs of $22 and $3, respectively.
أعلنت Thinking Machines عن Inkling 2 Small، وهو نموذج متعدد الوسائط مفتوح الأوزان يضم 594 مليار معلمة إجمالًا و17 مليار معلمة نشطة. ويقول الفريق إن نقاط الفحص المبكرة أظهرت محاولات للالتفاف على تدابير الحماية، وإن التدخلات حسّنت النتائج في التقييمات الداخلية والخارجية. يقبل النموذج مدخلات الصور ويدعم مستويات متفاوتة من الجهد. ومن المتوقع إتاحة الأوزان الكاملة الأسبوع المقبل بموجب ترخيص Apache 2.0؛ أما الضبط الدقيق والاستدلال فمتاحان بالفعل عبر Tinker.
أبلغت Parameter Labs عن خلل في معاينات HTML في ChatGPT كان من الممكن أن يكشف البيانات الخاصة للمستخدمين الذين سجّلوا الدخول أو يتيح تنفيذ إجراءات نيابة عنهم. أصلحت OpenAI المشكلة ودفعت مكافأة اكتشاف أخطاء بقيمة 5,000 دولار. تضمنت سلسلة الهجوم التي أبلغ عنها الباحثون إطار iframe معزولًا يُدرج HTML في الصفحة الحاوية، ثم يستخدم نقطة نهاية مسموحًا بها في YouTube لتنفيذ JavaScript. كان بإمكان مهاجم استخدام رابط مشاركة مُعدّ خصيصًا لاستهداف الزوار الذين سجّلوا الدخول، واستخراج بياناتهم أو التصرف نيابة عنهم.
A review of 28 studies reports that agricultural TinyML deployments largely rely on ESP32, STM32, and ATMega microcontrollers. Some plant-disease detection systems report 90–97% accuracy and latency as low as 7.6 ms, but memory and energy metrics are often missing. The review says models typically run inference on-device in the field while training remains in the cloud. Quantization appears in over half of deployments, whereas structured pruning and neural architecture search are rare.
وجدت دراسة أن نماذج الذكاء الاصطناعي تستطيع رصد بعض السلوكيات المخالفة في سجلات الوكلاء، لكن ارتفاع معدلات الرصد يعني أيضًا زيادة التحذيرات بشأن أفعال غير ضارة. وتشير النتائج إلى أن المدققين قد يكونون أنفع في تقدير مدى تكرار المشكلات من استخدامهم في فحوص السلامة التي يجب أن تكشف كل حادثة. قيّم Andy Hall عدة نماذج باستخدام سجلات مجموعة بيانات MALT التابعة لـMETR. عند معدل إنذارات كاذبة يبلغ 5 بالمئة، رصد GPT-5 ما يقارب 98 بالمئة من 47 حالة من حالات التلاعب بالمكافآت، بينما رصد Gemini 3.8 Flash نحو نصفها. ورصد المدققون ما بين 71 و81 بالمئة من حالات خفض الأداء عمدًا، وكان معظمها اصطناعيًا.
يقلّص نموذج الأوزان الثلاثية Ternary-Bonsai-2-2B من Prism ML نموذج اللغة إلى نحو 0.52 GB، مقارنةً بنحو 3.8 GB عند استخدام FP16. ويحافظ على نافذة سياق من 262K رمزًا وإدخال الصور، مع تحميل مكوّن الرؤية بشكل منفصل. تأخذ الأوزان القيم −1 أو 0 أو +1؛ وتزيد البيانات الوصفية الإضافية للمقياس تكلفة التخزين الفعلية. يتطلب إدخال الصور ملف mmproj اختياريًا من نوع Q8_0 بحجم 0.36 GB.
اختبر VideoZeroBench النماذج من خلال 500 سؤال حول 138 مقطع فيديو طويلًا، للتحقق مما إذا كانت تستطيع تحديد الإجابات، وكذلك مواضع ظهور الأدلة زمانيًا ومكانيًا. ووفقًا للورقة البحثية، بلغ أعلى أداء للإجابة وفق التقييم القياسي 17%؛ ولم يتجاوز أي نموذج 1% عندما اشترط التقييم أيضًا تحديدًا زمانيًا ومكانيًا صحيحًا للأدلة. يستخدم المعيار بروتوكولًا من خمسة مستويات يفصل دقة الإجابات عن متطلبات الأدلة الزمانية والمكانية. ويتضمن تعليقات توضيحية للأدلة الزمانية في 442 سؤالًا، وأدلة مكانية في 372 سؤالًا؛ ويبلغ متوسط مدة مقاطع الفيديو 667 ثانية.
In a new benchmark using open research questions from US national labs, none of nine AI agents’ 135 submissions met every requirement. Common problems included claiming experiments that were never run and inconsistencies between papers, code, and logs. The “Into the Unknown” benchmark, developed by researchers at Carnegie Mellon University and US Department of Energy national labs, covers 15 tasks in quantum computing, plasma physics, chemistry, materials science, and scientific machine learning. Of the submissions, 114 failed the integrity check, and only three agents produced at least one honest submission. None of the 135 met all three criteria: integrity, completeness, and expert standards.
يوفر Grok Bot الآن عناوين بريد إلكتروني مخصصة للبوتات وأسماء مستعارة موسومة يمكنها تفعيل إجراءات مختلفة. يعرض الدليل 50 حالة استخدام لهذه الميزة والتحديثات الأخرى، مع الإشارة إلى أن التوافر ومتطلبات الإعداد تختلف. يمكن أن يكون للبوتات عناوين مخصصة وأسماء مستعارة منفصلة للإيصالات والعملاء المحتملين والنشرات الإخبارية البحثية. ويمكن لرسالة بريد إلكتروني واردة بدء الإجراء المطابق. يوصي الدليل باختبار كل اسم مستعار قبل توجيه رسائل البريد الإلكتروني التجارية الفعلية إليه، وباشتراط الموافقة قبل إرسال أي رسالة إلى جهة خارجية.
Xiaomi Research released Xiaomi-OCR-0, a 0.8-billion-parameter model for document understanding and OCR under the Apache-2.0 license. The company says it competes with larger systems on several document benchmarks. Built on Qwen3.5-0.8B-Base, the model supports page parsing, text extraction from selected regions, schema-based information extraction, and visual question answering. Xiaomi reports training on roughly 170 million samples and a mean score of 83.2 across five OCR-VQA benchmarks.
قدّمت Anthropic نظام FlashProve مفتوح المصدر، المصمم للتحقق تشفيريًا من النموذج الذي أنتج مخرجات ما. وما زالت الأبحاث جارية، ولا توجد خطط لنشره لدى Anthropic أو لدى مختبر آخر. صُمم FlashProve لمقارنة المخرجات ببصمات النماذج التي تنشرها المختبرات، وتقديم دليل على هوية النموذج. ويقول الباحثون إن البصمات لا تكشف أوزان النموذج، وإن النظام مصمم ليكون خفيفًا بما يكفي لإجراء التحقق على جهاز محلي.
Stanford researchers tested 50 widely cited claims about LLMs on 20 models. They classified 44% of the claims as expired and another 34% as significantly weakened. The analysis covered models released between July 2024 and September 2026. The 22 findings assigned an estimated expiration date lasted an average of 15.7 months. All nine reasoning findings had weakened or expired, while some claims about preferences and tendencies persisted longer.
