إسبانيول ضحية «مغمور» في كأس إسبانيا!
تاريخ النشر: 4th, December 2024 GMT
مدريد (د ب أ)
ودّع إسبانيول كأس ملك إسبانيا لكرة القدم من الدور الثاني، بخسارته أمام مضيفه المغمور بارباسترو صفر- 2.
وتأهل بلد الوليد إلى الدور الثالث، بفوزه على مضيفه ريال أفيلا 4-2، كما صعد إلتشي إلى الدور التالي بفوزه على مضيفه دجيكلانو ديبورتيفو 1-صفر، واكتسح سيلتا فيجو مضيفه سالامانكا 7-صفر، ليحجز مقعده في الدور التالي.
وحسم بارباسترو فوزه على إسبانيول بهدفي أليكس باريرا في الدقيقتين 55 من ضربة جزاء و81 .
واكتسح سيلتا فيجو مضيفه سالامانكا بسبعة أهداف، حيث سجل ويليوت سويدبرج الهدف الأول في الدقيقة الخامسة، ثم أضاف هوجو سوتيلو الهدف الثاني من ضربة جزاء في الدقيقة 36، وأحرز بابلو دوران الهدف الثالث في الدقيقة 43 .
وفي الشوط الثاني أحرز تاديو اليندي الهدف الرابع في الدقيقة 65، ثم سجل كارلوس دومينجيز الهدف الخامس في الدقيقة 69، وتكفل فيرناندو جونزاليس بتسجيل الهدفين السادس والسابع في الدقيقتين 78 و89.
المصدر: صحيفة الاتحاد
كلمات دلالية: كأس إسبانيا إسبانيول بلد الوليد
إقرأ أيضاً:
نقلة نوعية تعالج ظاهرة الإجابات «الواثقة غير الدقيقة»
أبوظبي (الاتحاد)
أخبار ذات صلةكشف باحثون من جامعة محمد بن زايد للذكاء الاصطناعي عن نهج مبتكر يُعيد تشكيل عملية التحقق التلقائي من مخرجات نماذج اللغة الكبرى (LLMs)، موفراً حلاً أكثر كفاءة وأقل تكلفة لمعالجة ظاهرة «الهلوسة» التي تُنتج إجابات واثقة لكنها غير دقيقة. الدراسة، التي نُشرت على الموقع الإلكتروني للجامعة، عُرضت في المؤتمر السنوي لعام 2025 للأميركتين في رابطة اللغويات الحسابية (NAACL).
وفقاً للموقع الإلكتروني للجامعة، طوّر الفريق البحثي، بقيادة الباحث ما بعد الدكتوراه تشُووهان شيه، إطار عمل جديداً يُسمى FIRE (التحقق من الحقائق مع الاسترجاع والتحقق التكراري). يعتمد هذا النهج على تقييم مستوى ثقة النموذج في الادعاءات التي يقدمها، ليحدد ما إذا كانت هناك حاجة للبحث عبر الإنترنت أم يمكن الاعتماد على المعرفة الداخلية للنموذج. هذا الأسلوب لا يقلل فقط من التكاليف المرتبطة بالبحث الخارجي، بل يعزز كفاءة التحقق عبر تخزين المعلومات المستردة لدعم تقييم ادعاءات أخرى ضمن النص نفسه.
يقول شيه: «العديد من الادعاءات بسيطة بما يكفي لعدم الحاجة إلى بحوث إضافية، مما يجعل إطارنا أكثر ديناميكية وقابلية للتوسع». وأظهرت الاختبارات على مجموعات بيانات معيارية أنه تم تقليص تكاليف البحث بمعدل 16.5 مرة، مع الحفاظ على أداء مشابه للأطر الأخرى.
وأشار الباحثون، ومنهم روي شينج وبريسلاف ناكوف
، إلى أن النماذج المتقدمة مثل o1-preview من OpenAI، رغم دقتها العالية، قد لا تكون ضرورية دائماً، حيث حقق FIRE مع نماذج أقل تكلفة توازناً مثالياً بين الأداء والتكلفة. كما كشفت الدراسة عن أخطاء في مجموعات البيانات المعيارية، مما يبرز الحاجة إلى تحسين هذه المعايير لضمان دقة أعلى في العالم الحقيقي، حسبما جاء في تقرير موقع الجامعة.
ويفتح FIRE آفاقاً واعدة لمكافحة المعلومات المغلوطة، ليس فقط في النصوص، بل أيضاً في الصور والفيديوهات، مع إمكانية تطويره لدعم التحقق متعدد الوسائط. ويؤكد شيه أن هذا الابتكار قد يُصبح مصدر معرفة إضافياً يعزز قدرات نماذج اللغة الكبرى، مما يُحدث ثورة في معالجة اللغة الطبيعية.