RAG
5 published articles
أبحاث RAG
BM25 يتفوق على RAG الوكيلية عندما تتجاوز المجموعات النصية 10 ملايين توكن
يفوز البحث الوكيل على المجموعات الصغيرة، لكن دراسة من muset-ai عبر 28 طبقة متداخلة تُظهر تفوّق BM25 عليه قرب 10 ملايين توكن. يحرق الوكيل 39 ضعفًا من توكنات الاستعلام، ويتعثر RAG القائم على الرسوم البيانية في مرحلة البناء.
2026-08-07
أبحاث الذكاء الاصطناعي
وكلاء الذكاء الاصطناعي أبقوا الذاكرة خارج النموذج. ميتيس يضعها في الداخل
ميتيس من MemTensor هو أول نموذج أولي لنماذج الذاكرة الأساسية: تاريخ مضغوط في العمود الفقري، يُقرأ عبر انتباه الذاكرة، ويُحدَّث في تمرير أمامي واحد. إنه يتحدى عصر مخازن المتجهات في ذاكرة الوكلاء. القيود معترف بها لكنها لم تُحدَّد كميًا بعد.
2026-07-30
نماذج الذكاء الاصطناعي والبنية التحتية
نماذج التضمين الجديدة من Nvidia تتصدر القائمة، لكن القصة الحقيقية هي توفير تكاليف العامل الذكي
تزعم مجموعة Nemotron 3 Embed من Nvidia أنها تحتل المركز الأول في معيار RTEB وتقدم متغيرات 1B تحتفظ بنسبة 99% من دقة النموذج 8B. تُظهر بيانات الشركة أن الاسترجاع الأقوى يقلل من تكاليف الرموز المميزة في المراحل النهائية في الأنظمة الذكية.
2026-07-18
بنية تحتية مفتوحة المصدر
خط أنابيب البحث في الذكاء الاصطناعي لديك معطل. هذا الإطار مفتوح المصدر يصلح السباكة.
لا تزال الفرق التي تبني بنية تحتية للبحث في الذكاء الاصطناعي تقضي وقتًا طويلاً في أعمال السباكة. يدمج Search Toolkit عمليات التغذية والاسترجاع والتقييم في إطار عمل واحد مفتوح المصدر، مما يلغي أسابيع العمل التكاملي اللازمة لربط أدوات منفصلة معًا. وهو مصمم لحالات الاستخدام المؤسسي مثل جودة RAG والاسترجاع الخاص بالمجال والبحث الوكيل.
2026-07-11
أدوات
نموذج الذكاء الاصطناعي الخاص بك هو سلعة. خط الأنابيب هو المكان الذي تعيش فيه الميزة الحقيقية.
تحليل عملي خطوة بخطوة لبناء خط أنابيب للكتابة بالذكاء الاصطناعي في عام 2025: اختيار النموذج، تسلسل المطالبات (prompt chaining)، ومراقبة الجودة. لا ضجيج، فقط البنية التقنية المهمة.
2026-07-11