Omar

اللهم إنك عفو تحب العفو فاعف عنا🌿

كل عام وانتم بخير

@BookerComstock1 ههههههههههه

@O2mar_ ياخي أحب فيك أصالة المحتوى

صليت القيام بحي بشمال الرياض يوم قال الإمام اللهم اقضي ديوننا محد قال آمين الا انا والبنقالي اللي قدامي

اتوقع اني مكثر شوربه..... رحت المسجد بالسياره رجعت البيت،،، لاحظت ان السياره مختفيه عن البيت قلت وين؟🤔 طلعت السياره بالمسجد

طول رمضان سكليف واتاخر ٣ ساعات كل يوم بالافطار السنوي اول شخص يجي انا

تم الاشباع مدري تمت التعبئه بنجاح وش كان الستيكر هههههه

العالم كلهم منصدمين ان رمضان بكره حتى حارتنا زحمه

الشهر عليكم مبارك توني كنت اصلي التراويح وجمبي طفل بعد التسليمه الخامسه لف علي لو سمحت متى يخلص صلينا كثير وواضح انه تعب المسكين وكانت الصلاة مسترسله وسريعه قلت بيصلي الشفع والوتر الحين وبيقرا من جزء عمّ وبعدها دعاء وخلاص بعد ماخلص شفع كلهم يطالعوني ها خلص!؟ طيب مو انا الامام💀

من أكثر الأوراق البحثية انتشارًا في مجتمع الذكاء الاصطناعي هذا الشهر وبداية هذا العام كانت ورقة تتحدث عن التسارع الكبير في قدرات نماذج الذكاء الاصطناعي والطلب المتزايد على تدريبها، حيث بدأنا نقترب من مشكلة شهيرة صارت تُعرف باسم “جدار البيانات (Data Wall)”: البيانات العامة عالية الجودة على الإنترنت تقترب من النفاد، بينما احتياج النماذج إلى البيانات يستمر بالتوسع لفترة طويلة كان الافتراض العام في تدريب نماذج اللغة: انه كلما زدنا عدد وحدات التدريب (tokens) تحسّن النموذج (ولا يزال هذا صحيحًا جزئيًا في بعض الحالات)، لكن الواقع اليوم يفرض تحوّلًا مهمًا: المعادلة بدأت تنتقل من “المزيد من وحدات (tokens)” إلى “وحدات أفضل (tokens)” (المقصود بيانات ذات جودة افضل) عنوان الورقة: OPUS: Towards Efficient and Principled Data Selection in Large Language Model Pre-training in Every Iteration فكرة الورقة بشكل مباشر: كثير من الحلول الحالية للتعامل مع “جدار البيانات” تقع في مسارين، وكلاهما غير كافي لوحده: - المسار الأول (Static Filters): تنظيف/تصنيف البيانات قبل التدريب لاستبعاد الغير مرغوب بهم. مشكلته أنه قرار ثابت لا يتكيّف مع تغيّر احتياج النموذج عبر مراحل التدريب. - المسار الثاني (Dynamic Selection): اختيار البيانات أثناء التدريب بناءً على مؤشرات سهلة القياس مثل الخسارة (loss function) أو “اتجاه التعلّم” الخام (raw gradients). المشكلة أن قرار التحديث الحقيقي في التدريب لا يعتمد على هذه الإشارات بشكل مباشر، لأنه يمر عبر المُحسّن (optimizer مثل AdamW) الذي يغيّر شكل واتجاه التحديث اقتراح الورقة (Optimizer-aware): بدل الاعتماد على الخسارة فقط، تقترح الورقة اختيار العيّنات بحسب أثرها الحقيقي على التعلّم بعد المُحسّن (optimizer-aware): أي نختار البيانات التي تدفع النموذج “فعليًا” نحو التحسّن، مع تجنّب تكرار عينات متشابهة داخل الدفعة للحفاظ على التنوع. تصوّر مبسّط: بدل ما التدريب يستهلك بياناته بشكل عشوائي، الورقة تقترح إضافة “طبقة اختيار” داخل التدريب: في كل خطوة تُراجع مجموعة عينات قصيرة من البيانات وتختار فقط العينات التي تُعطي أكبر تحسّن فعلي للنموذج الآن (وتتجنب العينات المتشابهة). النتيجة: تدريب على بيانات أقل لكن أثرها أعلى. النتائج كانت واضحة في جانب “الكفاءة”: في تجربة Qwen3-8B-Base على SciencePedia، حققت الورقة نتائج أفضل باستخدام 500 مليون وحدة تدريب (tokens) بدل 3 مليار وحدة أي بيانات أقل بحوالي 6×، وهذا يترجم عمليا إلى حوسبة أقل، وقت تدريب أقل، وتكلفة أقل مع أداء أعلى الورقة تتجاوز 40 صفحة وفيها تفاصيل تقنية وتجارب كثيرة حاولت هنا تلخيص الفكرة الأساسية بأكبر قدر ممكن من الوضوح. إذا يهمك التعمّق أو الاطلاع على الأرقام والمنهجية كاملة، أنصح بقراءتها مباشرة: arxiv.org/pdf/2602.05400

يوم الحبايب زين اذا الواحد حب نفسه

اتوقع هالمباراة متحمس لها اكثر من زواجي اليوم

جاني عرض من شركه رحت لحقين الدوام بنفس اليوم قلتلهم خلاص مع السلامه العرض سحبوه انا :

بونو

نونيز وليوناردو