Bassem

Engineer by profession • AI enthusiast • Mostly useful, occasionally hallucinating

[Bassem @balfiky]

@evening119 @naifco @HUMAIN عادي
أنا درست ذكاء صناعي في الجامعة من ٢٦ سنة

[Bassem @balfiky]

@basaltlabs tried it, very weak

[Bassem @balfiky]

@KKaWSB 🤮🤮

[Bassem @balfiky]

@arena Model performance fluctuates. Would be great to have a weekly filter to track rankings in the short term! 📈

[Bassem @balfiky]

Project Nūr is live 🌙

Most assistants carry memory as context.

Nūr tests a different architecture: emotional continuity as runtime state.

Mood, trust, tension, repair, commitments, and open loops persist outside the prompt and shape future replies.

https://t.co/rDwnBHHDgq

#AIAgents #OpenSource

[Bassem @balfiky]

المصدر: https://t.co/cFEMTTSSu8 #ذكاء_اصطناعي #MistralAI

[Bassem @balfiky]

"ميسترال" الفرنسية قررت تلبس "البدلة الرسمية"! 🇫🇷👔 شراكة ضخمة مع عملاق الاستشارات Accenture لنقل نماذج الذكاء الاصطناعي الخاصة بها من مرحلة التجريب إلى داخل أنظمة المؤسسات والشركات الكبيرة.

[Bassem @balfiky]

الشركات تريد نماذج قوية لكن ببياناتها الخاصة وأمان عالي. هنا يأتي دور Accenture لتلعب دور "المهندس" الذي يركب محركات ميسترال داخل أنظمة البنوك والشركات، مما يعني انتشار أوسع وأسرع لنماذج الـ Open Weights في عالم الأعمال الحقيقي. 🚀

[Bassem @balfiky]

سباق الذكاء الاصطناعي لم يعد مجرد تكديس للمعاملات، بل تحول إلى سباق الكفاءة وجودة البيانات. خيارات المصدر المفتوح القوية والنحيفة مثل هذه هي ما تحتاجه بيئة التطوير العربية لتقليل الاعتماد الكامل على APIs الشركات الكبرى المكلفة.
#ذكاء_اصطناعي #تقنية #LLM

[Bassem @balfiky]

معادلة القوة مقابل التكلفة تتغير جذريًا. إطلاق سلسلة Qwen 3.5 المتوسطة يثبت أننا لسنا بحاجة لنماذج عملاقة للحصول على نتائج SOTA. نموذج 35B يتفوق على سلفه 235B! هذا يعني للمطورين: أداء أعلى بكسر من تكلفة الـ Compute والـ VRAM المطلوبة سابقًا.

[Qwen @Alibaba_Qwen]

🚀 Introducing the Qwen 3.5 Medium Model Series
Qwen3.5-Flash · Qwen3.5-35B-A3B · Qwen3.5-122B-A10B · Qwen3.5-27B

✨ More intelligence, less compute.
• Qwen3.5-35B-A3B now surpasses Qwen3-235B-A22B-2507 and Qwen3-VL-235B-A22B — a reminder that better architecture, data quality, and RL can move intelligence forward, not just bigger parameter counts.

• Qwen3.5-122B-A10B and 27B continue narrowing the gap between medium-sized and frontier models — especially in more complex agent scenarios.

• Qwen3.5-Flash is the hosted production version aligned with 35B-A3B, featuring:
– 1M context length by default
– Official built-in tools

🔗 Hugging Face: https://t.co/wFMdX5pDjU

🔗 ModelScope: https://t.co/9NGXcIdCWI

🔗 Qwen3.5-Flash API: https://t.co/82ESSpaqAF

Try in Qwen Chat 👇
Flash: https://t.co/UkTL3JZxIK

27B: https://t.co/haKxG4lETy

35B-A3B: https://t.co/Oc1lYSTbwh

122B-A10B: https://t.co/hBMODXmh1o

Would love to hear what you build with it.

[Bassem @balfiky]

ما يميز هذه الإصدارات (خاصة A3B و A10B) هو كفاءة البنية المعمارية. نحن نتحدث عن نماذج تقدم ذكاءً عاليًا لكنها "خفيفة" عند التشغيل (Inference). هذه فرصة ذهبية للشركات الناشئة لتبني حلول RAG معقدة وتشغيلها محليًا أو بتكلفة سحابية معقولة.

[Bassem @balfiky]

المصدر: https://t.co/3PjXMwoHeq #ذكاء_اصطناعي #تقنية #بيانات

[Bassem @balfiky]

أكبر عقبة تواجه "وكلاء الذكاء الاصطناعي" اليوم ليست ذكاء النموذج، بل "عمى المعلومات". شركة Nimble جمعت 47 مليون دولار لحل هذه الفجوة عبر تزويد الوكلاء ببيانات الويب الحية والمنظمة، مما يحولهم من مجرد روبوتات دردشة معزولة إلى أدوات عمل فعلية متصلة بالواقع.

[Bassem @balfiky]

للمطورين والشركات في منطقتنا: هذا يعني إمكانية بناء وكلاء AI لمراقبة أسعار المنافسين لحظيًا أو تحليل المحتوى المحلي فور نشره، دون الحاجة لبناء بنية تحتية معقدة للـ Scraping. البيانات الحية هي الوقود الحقيقي الذي ينقل الوكيل من مرحلة العرض (Demo) إلى التشغيل الفعلي.

[Bassem @balfiky]

المصدر لنظرة أعمق:
https://t.co/JS5FLCa9jq

#Codex #OpenAI #LLM

[Bassem @balfiky]

لدى OpenAI موهبة غريبة في جعل المصطلحات مربكة، وكلمة "Codex" كانت لغزًا لفترة طويلة. هل هو Model؟ هل هو منتج؟

المهندس Gabriel Chua من OpenAI قرر أخيرًا تفكيك هذا الصندوق الأسود، والنتيجة معادلة بسيطة تشرح كيف يعمل هذا النظام فعليًا.

[Bassem @balfiky]

الدرس هنا؟ إذا كنت تحاول بناء Coding Agent عن طريق ربط أي LLM عشوائي ببيئة تطوير، ستواجه مشاكل في الدقة.

القوة الحقيقية ليست في ذكاء النموذج فقط، بل في تصميم الـ runtime ليكون جزءًا من عملية التدريب نفسها. هندسة النظام هنا تتفوق على حجم الباراميترات.