# إطار DiffResearch يسرّع أبحاث الذكاء الاصطناعي بنحو 6 مرات

> يستبدل نظام DiffResearch مفتوح المصدر نموذجًا لغويًا ذاتيّ الانحدار بآخر قائم على الانتشار، محققًا سرعة إجمالية أعلى بنحو ستة أضعاف في مهام الاختبار المعيارية.

Oossa · 2026-10-22 · https://oossa.com/ar/diffresearch-framework-uses-diffusion-models-to-cut-research-ai-latency

يقدّم DiffResearch إطارًا جديدًا متعدد الوكلاء للبحث، يعتمد في التخطيط والاسترجاع والكتابة على نموذج لغوي قائم على الانتشار (dLLM). وقارن الباحثون أداء هذا النموذج بنموذج مشابه ذاتيّ الانحدار في 100 مهمة من Deep Research Bench. وأنجز النموذج القائم على الانتشار المهام أسرع بنحو ستة أضعاف إجمالًا، ويعود ذلك أساسًا إلى تسريع التخطيط والكتابة المطوّلة. كما يتيح وضع خاص يُسمى dFast قراءة حالات إزالة الضوضاء الوسيطة وتقسيم العمل إلى استعلامات فرعية، ما يوفر زيادة إضافية في السرعة بوسيط قدره 1.99× من دون التأثير في جودة التقارير. ونُشر الكود بموجب ترخيص Apache‑2.0.

## الحقائق

- النموذج القائم على الانتشار أسرع بنحو 6× إجمالًا في الاختبار المعياري.
- يضيف وضع dFast تسريعًا بوسيط قدره 1.99× عند تقسيم المهام.

## لماذا يهم

يمكن للباحثين الحصول على تقارير مولّدة بالذكاء الاصطناعي في دقائق بدلًا من عشرات الدقائق، ما يجعل أدوات البحث المتعمق التفاعلية أكثر عملية.

## المصادر والمراجع

1. [DiffResearch: Accelerating Deep Research with Diffusion Language Models](https://arxiv.org/abs/2610.28909) – arXiv, 2026-10-22

آخر تحديث: 2026-10-22