ملاحظات البحث

الفرق بين استرجاع الهوية بالـprobe ونقلها فعلياً إلى receiver، وليش تحسن التدريب ما ضمن تحسن النقل. نتائج تشخيصية مكتملة على ثماني هويات.

مقارنة بين تشغيلين مجمّدين تبيّن إن أغلب مكاسب Jais 2 كانت في العدد، وإن النتيجة تتغيّر مع واجهة التمثيل وتقسيم الكلمات.

تقييم عربي مدقّق يبيّن كيف تقسيم الكلمات، ومعلومات prompt، ومحاذاة التوكن، وطريقة التجميع تغيّر وش يقيسه المسبار الخطي فعلًا.

إيش علّمني fuzzing عن بنية GGUF كمدخل تحكم مو موثوق، وكيف خلّيت الانتقال من bytes حللناها إلى حالة تشغيل واضحة داخل Ember.

ليش جمّد Ember حالة KV في artifact نقدر نتحقق منه، وأثبت إعادة تشغيل مطابقة داخل نفس النموذج، وأضاف مقاييس وتشخيصات سببية قبل لا نجرّب أي ridge mapper بين نموذجين Qwen.

خط أساس مجمّد يوضح كيف يحوّل مسار K-quant loader الحالي في Ember ملفات Q6_K وQ4_K_M الأصغر إلى أوزان f32 مقيمة، فتستهلك ذاكرة أكثر وتكون أبطأ في decode من Q8_0.

تجربة على ثلاثة أحجام من النماذج ومسح اصطناعي لنواة ضرب المصفوفات في Ember. نقطة الانتقال تقع حوالي 25 مليون FLOP لكل عملية.

ضابط على hidden states مجمّدة قبل targeted LoRA: مجموعات K=4 المرتبة على التطوير حملت إشارة POS held-out أقوى من خمس مجموعات عشوائية غير متقاطعة في Qwen3-0.6B وLlama-3.2-1B.

ليش قابلية إعادة إنتاج التقييم تحتاج item manifests وقوالب prompts ونسخها النهائية وأنظمة parsing وملفات scoring، مو بس اسم النموذج والنتيجة.

من أول regex prototype إلى Atlas 1.0.0: ليش طبقة الاستخراج بقيت deterministic، قابلة للتتبع، وأضيق عمداً من ادعاءات research gaps المولّدة.

ملاحظة قياس صغيرة على ArabicMMLU: صيغة prompt وموضع الخيار الصحيح ممكن يغيرون دقة الاختيار من متعدد في نماذج decoder-only صغيرة.

هذا الأسبوع انتقل عمل Ember على الصرف العربي من استخراج hidden states إلى قياس أكثر وعياً بالتسرب. النتيجة أصبحت أضيق: POS يصمد تحت تقييم heldout أشد في Qwen3-0.6B وLlama-3.2-1B، بينما الجذر واللمّة والوزن تحتاج إطار تقييم مختلف.

نتائج layerwise probing أولية عبر LLaMA وQwen وGemma على محفزات صرف عربي افتراضية. الجذر يختلف بين الطبقات النهائية، لكن الوزن مشبع ولا يدعم مقارنات حجم أو عائلة في هذا التشغيل.

فحص LLaMA 3.2 بمقاييس 1B/3B/8B باستخدام مصنفات خطية وCCA وRSA. التمثيلات الداخلية موجودة: منظمة، منفصلة، تتغير بشكل غير رتيب مع الحجم: لكن كل نموذج ينتج “The”. نتائج، رسوم بيانية، وخطوات قادمة.

خلاصة أسبوع من قراءة أوراق Arabic NLP. ورقة 2026 اللي قلبت الفرضية، وليش السؤال الحقيقي عن internal representations، مو عن tokenization.

خطة بحثية: استخدام ember في activation probing عشان نعرف أين وكيف تتعلم النماذج الصرف العربي (الجذر والوزن) داخلياً. مبنية على السؤال المفتوح من Alakeel et al. (2026).

alakeel, qwaider, aldarmaki, alqahtani · LREC 2026. جودة محاذاة الـ token مع الـ morpheme ما تتنبأ بقدرة النموذج على التوليد الصرفي في LLMs العربية. GPT-4o يوصل 97% على nonce roots مع أسوأ محاذاة tokenizer.

attia · ~2007. tokenizer عربي modular و finite-state مع clitic guesser ومحلل صرفي وفك غموض باستخدام الكشيدة. تصميم guess-and-filter.

alkaoud & syed · WANLP 2020. morph-aware tokenization في طبقة الـ embedding: مفردات أصغر بـ 60%، تعامل أفضل مع الكلمات الجديدة، SOTA من دون إعادة تدريب. نجح على مستوى Word2Vec/mBERT.