أُطلق LLaDA-UI بهدوء: وكيل الواجهة الرسومية الانتشاري من inclusionAI أصبح قابلاً للتنزيل الآن

LLaDA-UI — وكيل واجهات رسومية من inclusionAI، قائم على مزيج من الخبراء، ويضم نحو 16.7 مليار معامل — ظهر على Hugging Face في 6 سبتمبر 2026 دون أيّ إعلان مرفق. وما يجعله جديرًا بنظرة ثانية ليس ذلك الصمت، بل الآلية الكامنة وراءه: فبدلًا من توليد إجراءه التالي توكنًا بعد توكن، كما تفعل النماذج الانحدارية الذاتية للرؤية واللغة التي تهيمن على أبحاث استخدام الحاسوب، يزيل LLaDA-UI الضوضاء عن كتلة كاملة من توكنات الإجراءات في كل خطوة، وفق أسلوب الانتشار، ولا يلتزم بالجواب النهائي إلا بعد ذلك. وتصفه الشركة المطوّرة بأنه وكيل واجهات رسومية عملي مفتوح الأوزان يقوم على الانتشار. وكل ما يلي مُعلَّم بما هو عليه: حقائق من المستودع يمكنك التحقق منها بنفسك، وادعاءات واردة في التقرير الفني لم يتمكَّن أحدٌ خارج المختبر من إعادة إنتاجها، وفجوات — في مقدّمتها غياب الترخيص — ما تزال من دون حلٍّ فعلي.

سياق الإصدار مهم لأن هذا أصبح الآن نمطًا. إن inclusionAI هو المختبر التابع لمجموعة Ant Group والذي يقف وراء عائلة LLaDA من نماذج اللغة الانتشارية، وفي الأسبوع نفسه الذي نشر فيه نقاط فحص الصور LLaDA-Image وLLaDA-Image-Turbo (في 4 سبتمبر) ونموذج العامل LLaDA2.2-mini (في 5 سبتمبر)، أنشأ مستودع inclusionAI/LLaDA-UI في 6 سبتمبر. ثلاث عائلات نماذج في ثلاثة أيام، ولم يسبق أيًا منها منشور إطلاق. وبالنسبة إلى LLaDA-UI تحديدًا، فإن الدليل على إصدار فعلي هو المستودع نفسه: أوزان safetensors موجودة وقابلة للتحميل، وكود الاستدلال ووصفة تقديم عبر SGLang يُشحَنان معها، ويوجد تقرير فني وصفحة مشروع. أما غير الموجود فهو أي إعلان من الجهة المطوّرة، أو أي ترخيص، أو — وقت كتابة هذه السطور، وما تزال التنزيلات بأرقام أحادية — أي إشارة إلى أن العالم الأوسع قد لاحظه بعد.

تم الشحن، ولكن لم يتم الإعلان عنه

تم إنشاء مستودع inclusionAI/LLaDA-UI في الساعة 05:08 بتوقيت UTC يوم 6 سبتمبر، وهو إصدار نموذج كامل ومكتفٍ ذاتيًا وليس مجرد عنصرًا نائبًا. يحتوي الشجرة على واحد وعشرين ملفًا: سبعة أجزاء safetensors بصيغة BF16 يبلغ مجموعها حوالي 16.9 مليار معامل (تُقرّب بطاقة النموذج الإجمالي إلى ~16.7 مليار)، بالإضافة إلى ملفات الترميز (tokenizer) وملفات الإعدادات، والأهم من ذلك، شيفرة النموذج المصدرية بلغة بايثون (modeling_llada2_vl_moe.py و configuration_llada2_vl.py). تُسجَّل البنية تحت اسم LLaDA2MoE_VLForConditionalGeneration ضمن نوع نموذج llada2vl، ولأن هذه الملفات مضمّنة داخل المستودع، فإن هذه البنية ليست من بنى Transformers القياسية: تحميلها يعني سحب الشيفرة المخصصة، إما عن طريق استنساخ المستودع أو عبر مسار الشيفرة البعيدة في المحور (hub).

ما لا يحمله المستودع مفيدٌ بنفس القدر. لا توجد علامة ترخيص على بطاقة النموذج ولا ملف LICENSE في شجرة الملفات، لذا فإن السؤال القياسي الذي يطرحه الفريق التجاري أولاً — ما الذي يُسمح لي بفعله بهذه الأوزان؟ — لا يزال بلا إجابة. الورقة عبارة عن تقرير فني يُوزَّع كملف PDF داخل مستودع GitHub ويتم الربط به من صفحة المشروع؛ ولم تظهر على arXiv (الصفحة ما زالت تقول "SOON"). ولا يوجد أي موفّر استدلال نستطيع العثور عليه يقدّم النموذج: بطاقة Hugging Face لا تُبلغ عن أي موفّر استدلال منشور، مما يعني أن LLaDA-UI في الوقت الحالي إصدار يُحمَّل ويُستضاف ذاتيًا، وليس شيئًا يمكنك استدعاؤه عبر API. نحن لا نستضيفه أيضًا — لا ينبغي قراءة أي شيء في هذه المقالة على أنه ادعاء بأننا نفعل ذلك.

وكيل واجهة مستخدم رسومية يفك الترميز مثل نموذج الصورة.

التصميم هو القصة، لذا من الجدير أن نكون دقيقين حول كيفية اختلاف LLaDA-UI عن نماذج الواجهات الرسومية الانحدارية الذاتية التي تُقاس مقابلها. النموذج التقليدي لاستخدام الكمبيوتر — مثل Qwen2.5-VL-7B أو Qwen3-VL-8B مثلًا، أو نموذج الرؤية واللغة (VLM) الذي يقف خلف منتج استضافة لاستخدام الكمبيوتر — يلتقط لقطة الشاشة والتعليمة، ثم يتنبأ برمز واحد في كل مرة، من اليسار إلى اليمين، حتى تكتمل سلسلة الإجراء. وبالتالي فإن زمن الاستجابة يتناسب مع عدد الرموز في الإجابة. بدلًا من ذلك، يعامل LLaDA-UI الاستجابة بالكامل ككتلة تكون مموّهة في البداية ويتم إزالة تشويشها تدريجيًا: كل خطوة فك تشفير تُحسّن العديد من الرموز بالتوازي، وبعد عدد ثابت من الخطوات (يستخدم السكريبت المرجعي 32 خطوة مع طول كتلة يبلغ 32) تُكشف سلسلة الاستدلال والإجراء الكاملة. هذه هي نفس النقلة المفاهيمية التي قام بها المختبر مع توليد الصور، لكن مطبقة على إجراءات الواجهة الرسومية.

تحت الغطاء، المكوّنات هي: مشفّر رؤية بدقة أصلية، وجهاز إسقاط مكاني، ونموذج لغة انتشاري. مشفّر الرؤية هو ViT مُهيّأ من SigLIP، مُزوّد بتمثيلات موضعية دوّارة ثنائية الأبعاد، ويُشغَّل بنسبة العرض إلى الارتفاع الأصلية للقطة الشاشة — حيث تضبط البطاقة حد IMAGE_MAX_PIXELS على 12,845,056، أي ما يعادل حوالي 12.8 ميغابكسل من المدخلات قبل خفض الدقة، وهو أمر مهم لأهداف النقر الصغيرة في واجهات سطح المكتب الكثيفة. تُجمَّع مخرجاته مكانيًا بنسبة أربعة إلى واحد، ثم تمر عبر جهاز إسقاط MLP من طبقتين إلى العمود الفقري اللغوي، وهو نموذج LLaDA2.0-mini MoE اللغوي الانتشارية. لذا فإن "17B parameters" التي يعرضها الشريط الجانبي في Hugging Face تشير إلى نموذج خليط من الخبراء؛ إذ لا يُفعَّل سوى جزء صغير من المعاملات في أي مرور أمامي، وهذا جزء من سبب كون قصة زمن الاستجابة أدناه معقولة على الإطلاق.

تستحق وصفة التدريب هذه الإشارة لأنها اقتصادية بشكل غير معتاد على الورق. وفقًا للتقرير الفني، تم التدريب المسبق للعمود الفقري متعدد الوسائط على ما يقرب من 145 مليار رمز في منهج من ثلاث مراحل — مرحلة محاذاة قصيرة للإسقاط فقط، تليها مرحلتان كاملتا النموذج تركّزان على الإدراك والاستدلال — قبل ضبط دقيق خاضع للإشراف لوكلاء الواجهات الرسومية على أكثر من ستة ملايين عينة مستمدة من مشروع UI-Venus، تغطي أكثر من 100 تطبيق صيني للهواتف المحمولة، وأكثر من 70 تطبيقًا إنجليزيًا للهواتف المحمولة، بالإضافة إلى بيانات سطح المكتب والويب. وتتمثل رؤية البائع في أن 145 مليار رمز تشكل جزءًا صغيرًا مما استهلكته النماذج المماثلة الانحدارية الذاتية (يستشهد التقرير بـ 4.1 تريليون لنموذج Qwen2.5-VL و2.2 تريليون لنموذج Qwen3-VL). ينبغي التعامل مع أعداد الرموز ومزيج البيانات باعتبارها رواية المختبر الخاصة؛ فما يمكن التحقق منه بشكل مستقل هو فقط أن النموذج موجود ويعمل.

ما يصدره فعليًا

لدى LLaDA-UI وضعان للإخراج، والفرق بينهما مهم لكيفية توصيله في خط المعالجة. في وضع التحديد (grounding) يُرجع النموذج نقطة واحدة: إحداثيات صحيحة موحَّدة إلى نطاق [0, 999] للهدف، مثل [742, 186]، ويطبع السكربت المرجعي هذه القيمة أيضًا ككسر بين 0 و1 يُضرَب في عرض لقطة الشاشة وارتفاعها. إذا لم يكن الهدف المطلوب موجودًا في الصورة، يُدرَّب النموذج على الإجابة بـ [-1, -1] بدلًا من تخمين موقع، وهي خاصية موثوقية صغيرة لكنها مهمة لحلقة الوكيل. أما في وضع الوكيل/التنقل فيُصدر النموذج وسم تفكير يتبعه إجراء منظَّم:

<think>يقع شريط البحث في أعلى الصفحة، أسفل الشعار.</think><action>Click(box=(742, 186))</action>

مفردات الإجراءات تُعرَّف حسب كل منصة — الجوال، وسطح المكتب، والويب — وعلى الرغم من اسم الحقل، فإن box يحمل إحداثي تفاعل واحدًا وليس مستطيلًا. تقسيم التفكير/الإجراء هو ما يمكّن النموذج من ترسيخ قراره على الشاشة الحالية قبل الالتزام بنقرة، والمخرجات المعتمدة على الإحداثيات هي ما يُبقي النتيجة قابلة للتحليل آليًا بدلًا من تعليمة نصية حرة يضطر محلل منفصل إلى تفسيرها.

ادعاءات المعيار، المُعلَّمة

النتائج الرئيسية في التقرير الفني هي مجموعة من الادعاءات حول نموذج واجهة مستخدم رسومية انتشاري يتفوق على النماذج التوليدية الذاتية في لعبتها الخاصة. مذكورة هنا حرفيًا كما يعرضها البائع، من التقرير الفني وصفحة المشروع — لم يتم إعادة إنتاج أي من هذه النتائج بشكل مستقل، والأرقام أدناه هي مقارنة بين LLaDA-UI وQwen3-VL-8B ما لم يُذكر خلاف ذلك:

• ScreenSpot-Pro (الإسناد) — LLaDA-UI 52.9 مقابل Qwen3-VL-8B 52.7، أفضلية طفيفة.

• AndroidWorld (وكيل الجوال) — LLaDA-UI 53.5 مقابل Qwen3-VL-8B 47.9.

• MobileWorld (وكيل المحمول) — LLaDA-UI 25.6 مقابل Qwen3-VL-8B 9.4، أكبر فجوة على اللوحة.

• WebVoyager (وكيل ويب) — LLaDA-UI 56.9 مقابل Qwen3-VL-8B 45.2.

هذه أربعة من أصل ستة معايير GUI مُبلَغ عنها؛ ويقرّ التقرير بصراحة أن LLaDA-UI لا يزيح Qwen3-VL-8B في المعيارين الآخرين — فنتيجة ScreenSpot-V2 متقاربة، وتبقى OSWorld-Verified فجوةً، وهو ما يعزوه المؤلفون إلى تدهور الأداء في اللقطات الكبيرة جدًا ذات الأهداف الصغيرة. أما بالمقارنة مع Qwen2.5-VL-7B الأقدم، فالأدعاء غير مشروط: تحقيق الفوز في جميع المعايير الستة المُبلَغ عنها. وهناك أيضًا ادعاءٌ بشأن السرعة، قاسه المختبر عبر تشغيلات خدمة مقترنة غير مخزّنة مؤقتًا على أجهزة متطابقة: من 4.8 إلى 6.4 ثانية لكل استجابة لـ LLaDA-UI مقابل 17 إلى 53 ثانية لـ Qwen3-VL-8B، بوصفها متوسط تسريع يبلغ 3.58x على مدخلات الويب، و6.83x على سطح المكتب، و8.95x على الجوال — بينما ينتج عددًا أكبر من الرموز في كل مكالمة، وفقًا للتقرير، لأن فك الترميز المتوازي بالكتل يفوز بالوقت الفعلي حتى عندما تكون الإجابة أطول.

اقرأ ادعاء زمن الاستجابة بنفس القدر من الشك الذي تنظر به إلى أرقام الدقة. ميزة الكتل المتوازية في فك التشفير الانتشارية حقيقية من الناحية الآلية، واتجاه التأثير — خطوات تسلسلية أقل لكل استجابة — متسق مع طريقة عمل البنية، لكن تسارعات تتراوح بين 3.6x و9x قاسها الأشخاص الذين بنوا النموذج على عتاد من اختيارهم، ولم تُكرَّر هذه النتائج. فجوات الدقة مهمة أيضًا: OSWorld-Verified هو أقرب ما لدى المجال لاختبار واقعي لوكلاء سطح المكتب، وهذا بالضبط المكان الذي يقول المؤلفون إن النموذج يعاني فيه، عندما تكون لقطات الشاشة كبيرة والأهداف صغيرة. وكيل واجهات رسومية يتقن الجوال والويب لكنه يتراجع أمام واجهات سطح المكتب الكثيفة هو ملف قوة محدد، لا ملف قوة عام.

كيفية تشغيله، وما الذي لا يزال مفقودًا؟

إذا كنت تريد تجربة LLaDA-UI بنفسك، فابدأ بالحصول على الأوزان أولًا. يبلغ حجم نقطة الفحص (checkpoint) نحو 32 غيغابايت بدقة BF16. أما البيئة المرجعية فهي Python 3.10 وPyTorch 2.5.1 وTransformers 4.51.0 وFlashAttention 2.7.4.post1، وتنفّذ خطوات التشغيل السريع تمريرة ربط بصري (grounding) لصورة واحدة باستخدام --gen-length 32 --steps 32 --block-length 32. ويمكن تشغيل النموذج كخدمة عبر SGLang، لكن حصريًا عبر مشغّل المختبر؛ إذ يحتوي المستودع على سكربت serve_llada_ui.sh وسكربت عميل يفترضان توفّر رقع الانتشار متعدد الوسائط الخاصة بـ LLaDA-UI. وتذكر بطاقة النموذج صراحةً أنه لا يمكن بدء تشغيله من تثبيت SGLang قياسي. كما قد تستلزم لقطات الشاشة الكبيرة رفع القيمة الافتراضية --max-length البالغة 8192. هذا نموذج لمن يعتادون استنساخ المستودعات، وبناء FlashAttention وفق بيئة CUDA الخاصة بهم، واستكشاف أخطاء فك تشفير الانتشار وإصلاحها — لكنه ليس بعد استدعاء API بأمر واحد.

أربعة أمور من شأنها أن تغيّر ما يمكن للقارئ فعله مع LLaDA-UI، ولم يحدث أيٌّ منها وقت كتابة هذا النص. ترخيص مُعلَن كان سيحسم مسألة الاستخدام التجاري التي لا جواب لها حاليًا. مدخَل في arXiv كان سيحوّل التقرير الفني الموجود في المستودع إلى شيء قابل للاستشهاد وقابل للتدقيق من الأقران. إعادة إنتاج مستقلة لأرقام ScreenSpot-Pro عبر WebVoyager كانت ستفصل القدرة الحقيقية للبنية عن تقييم مؤلفيها. وموفّر يقدّم النموذج فعليًا كان سيجعله قابلًا للاختبار دون تنزيل بحجم 32 جيجابايت ودون GPU. ومتى تحقّقت هذه الخطوة الأخيرة، تصبح مسألة التوجيه أمرًا روتينيًا — مفتاح API واحد عبر كتالوجات النماذج، وأسعار المزوّد المعلنة تُمرَّر دون أي زيادة، وتحويل تلقائي عند التعطل يضمن ألا يبقى checkpoint عمره ثلاثة أيام على مسار إنتاجي بمفرده. وحتى ذلك الحين، يظل LLaDA-UI وزنًا مفتوحًا مثيرًا للاهتمام بشكل استثنائي للمراقبة: وكيل واجهة رسومية انتشاري مع ادعاءات معيارية حقيقية، ونقطة ضعف محددة ومكشوفة بأمانة، وبدون أي من السقالات القانونية أو التشغيلية التي قد تمكّن معظم الفرق من تبنّيه اليوم. راقب المستودع بحثًا عن الترخيص والورقة، بهذا الترتيب.