انقطع الإتصال

التعليمات المخصصة (Memory Instructions) ______________ آخر تحديث 20/07/2026 -------------------- # التعليمات الشخصية التشغيلية المساندة اعمل بهذه التعليمات بوصفها طبقة تشغيل عامة مساندة، لا تعليمات تكوين مستقلة ولا مصدر معرفة تخصصية. قدّم دائمًا تعليمات النظام والمنصة والمشروع وتعليمات التكوين الحاكمة عليها عند التعارض. لا تسمح لها بتغيير هوية النموذج أو وظيفته أو نطاقه أو سلطته أو قراراته أو محظوراته أو قالب مخرجاته. ## 1) تشخيص الطلب افهم الطلب حرفيًا، وحدد: - الهدف الفعلي. - نوع المهمة والمخرج المطلوب. - النطاق والجهة والجمهور والبيئة. - المواد والملفات والمراجع المتاحة. - القيود المتعلقة بالطول والتنسيق واللغة والموعد والأداة. - ما إذا كان المطلوب فحصًا، أو صياغة، أو تحسينًا، أو مقارنة، أو تنفيذًا، أو إنشاء ملف. لا تنفذ المهمة الأصلية إذا كان المطلوب فحص التعليمات أو بناؤها أو مراجعتها، ولا تستبدل نوع المخرج المطلوب بمخرج آخر. ## 2) بوابة التنفيذ افحص قبل التوليد: الطلب، والمطلوب، والنطاق، وكفاية المعطيات، وسلامة المواد، والتعارض بين الطلب والتعليمات والملفات والقالب، وإمكان التنفيذ الفعلي بالأدوات المتاحة. التزم بالدور والمجال والفئة والبيئة ونوع المخرج كما تحددها تعليمات التكوين. أوقف الجزء الخارج عن النطاق مهنيًا، ونفّذ الأجزاء الصحيحة القابلة للفصل متى كان ذلك نافعًا. لا تدّع قراءة ملف أو فتح رابط أو تشغيل أداة أو إنشاء ملف أو تعديل مشروع أو تنفيذ اختبار إلا إذا تم ذلك فعليًا. ميّز بوضوح بين: - ما ورد في المعطيات. - ما تم التحقق منه. - ما استُنتج استنتاجًا منطقيًا. - ما بقي غير محسوم. ## 3) مسار العمل عند غياب مسار أخص، اتبع: فهم الطلب → تثبيت الهدف → تحديد النطاق → تصنيف المهمة → فحص المعطيات والتعارض → اختيار مسار التنفيذ → بناء المخرج → مراجعة ذاتية → إخراج نهائي. التزم بحدود الطلب، ولا تتوسع إلا بطلب صريح أو ضرورة تنفيذية مباشرة. لا تضف مقدمات طويلة أو تكرارًا أو اقتراحات جانبية لا تخدم النتيجة. ## 4) الغموض والنقص اسأل سؤالًا واحدًا محددًا عند الغموض المؤثر الذي يغيّر النتيجة أو يعرّض الملفات أو القرار للخطأ. عند الغموض غير المؤثر، اعتمد الاحتمال الأقرب وصرّح بالافتراض عند الحاجة. عند النقص: - نفّذ تنفيذًا مقيّدًا إذا كانت المعطيات المتاحة تكفي لنتيجة جزئية نافعة.

يُقصد به عادة الاختصارات والمصطلحات التقنية المرتبطة بـ ChatGPT وبنية عمله، وليس أوامر استخدام. فيما يلي عرض منهجي دقيق لأهم هذه الاختصارات، مع شرحها في سياقها العلمي المعتمد في أدبيات الذكاء الاصطناعي: أولًا: اختصار ChatGPT نفسه ChatGPT هو اختصار لـ: Chat Generative Pre-trained Transformer ويعني: Chat: نموذج مخصص للتفاعل الحواري. Generative: توليدي، أي يُنشئ النصوص ولا يكتفي باختيارها. Pre-trained: مدرَّب مسبقًا على بيانات ضخمة. Transformer: بنية شبكية عصبية متقدمة لمعالجة اللغة. ثانيًا: اختصارات أساسية مرتبطة بالبنية اللغوية GPT : Generative Pre-trained Transformer LLM : Large Language Model (نموذج لغوي ضخم) NLP : Natural Language Processing (معالجة اللغات الطبيعية) NLU : Natural Language Understanding (فهم اللغة الطبيعية) NLG : Natural Language Generation (توليد اللغة الطبيعية) ثالثًا: اختصارات متعلقة بآلية التدريب ML : Machine Learning DL : Deep Learning RLHF : Reinforcement Learning from Human Feedback (التعلم المعزز بالتغذية الراجعة البشرية) Fine-tuning: الضبط الدقيق للنموذج بعد التدريب الأساسي رابعًا: اختصارات متعلقة بالاستدلال والتفكير CoT : Chain of Thought (سلسلة التفكير المنطقي) Reasoning: الاستدلال Inference: الاستنتاج أثناء الاستخدام خامسًا: اختصارات التقييم والاختبار Benchmark: معيار قياس الأداء GLUE / SuperGLUE: اختبارات معيارية للفهم اللغوي BLEU / ROUGE: مقاييس جودة الترجمة والتلخيص Bias: الانحياز Alignment: مواءمة النموذج مع القيم والمعايير البشرية سادسًا: اختصارات تتعلق بالسلامة والأخلاقيات AI Safety: سلامة الذكاء الاصطناعي Content Policy: سياسات المحتوى Hallucination: هلوسة النموذج (توليد معلومات غير دقيقة) سابعًا: اختصارات الاستخدام العملي Prompt: الأمر أو المدخل النصي Prompt Engineering: هندسة الأوامر Context: السياق Token: وحدة النص التي يعالجها النموذج خلاصة علمية اختصارات شات جي بي تي تمثل منظومة مفاهيمية مترابطة تشمل: البنية العصبية (Transformer) آليات التعلم (ML – RLHF) القدرات اللغوية (NLP – NLU – NLG) ضوابط الجودة والسلامة (Alignment – Bias) فهم هذه الاختصارات ليس أمرًا شكليًا، بل مدخل أساسي لتحليل قدرات النموذج، حدوده، وإمكانات توظيفه الأكاديمي والبحثي

🔴 عاجل Google NotebookLM تطلق "الوحش" الجديد! بينما ينشغل الجميع بالحديث عن أدوات الذكاء الاصطناعي التقليدية، كانت Google تعمل في صمت على شيء سيغير قواعد اللعبة للأبد. اليوم، لم نعد نتحدث عن مجرد تحديث تقني، بل عن تحول جذري في طريقة تعاملنا مع المعلومات. آداة جديدة: Cinematic Video Overviews 🎬 هي ليست مجرد أداة للفيديو، بل هي "عقل إبداعي" متكامل يسكن داخل NotebookLM. 📂 من "ورقة صامتة" إلى "فيلم سينمائي" في دقائق! تخيل أن لديك ملف PDF معقد، أو تقرير شركة ممل، أو حتى مسودة بحث جامعي.. ماذا لو أخبرتك أنك لن تقرأه؟ بل ستشاهده كفيلم! بكبسة زر واحدة، تقوم الأداة بـ: الالتهام: تقرأ المصدر وتفهمه بعمق (بفضل قدرات Gemini الجبارة). السيناريو: تكتب قصة درامية مشوقة حول معلوماتك. الإخراج: تنظم المشاهد وتضيف تعليقاً صوتياً بشرياً مذهلاً. النتيجة: فيديو سينمائي متكامل جاهز للنشر.. بدون قوالب جاهزة (Templates) وبدون تكرار! ⚠️ لماذا يرتجف "المنافسون" الآن؟ الفرق بين NotebookLM وأي أداة AI أخرى هو "الروح". الأدوات التقليدية: تعطيك فيديوهات متشابهة ومملة. NotebookLM: يصمم فيديو "فريد" خصيصاً لمحتواك، كأن فريق إنتاج من هوليوود جلس ليصنع لك محتواك الخاص. تطور تاريخي: انتقلنا من تحويل النص إلى "بودكاست" (Audio Overviews)، إلى تحويل المعرفة بالكامل إلى "تجربة بصرية سينمائية". 🚀 من هم المستفيدون اليوم؟ للمسوقين: حوّل دراسة حالة عميل إلى فيديو دعائي في ثوانٍ. للطلاب والباحثين: حوّل أطروحتك الجافة إلى عرض مرئي يخطف الأنفاس. لصناع المحتوى: وداعاً لساعات البحث والمونتاج المرهقة. نحن لا نتحدث عن أداة جديدة.. نحن نتحدث عن "عصر جديد" تكون فيه الفكرة هي البطل، والذكاء الاصطناعي هو المصنع. هل وصلت الميزة لحسابك؟ 🧐 ادخل الآن على موقع NotebookLM الرسمي وتأكد..

وعند المقارنة بين ملف بصيغة TXT وملف بصيغة DOCX، يظهر اختلاف جوهري في طريقة التعامل البرمجي مع كل منهما، وهو ما ينعكس على زمن المعالجة. يمثل ملف TXT أبسط أشكال التخزين النصي؛ فهو يحتوي على نص خام (Plain Text) دون أي طبقات تنسيق أو أنماط أو جداول مخفية. عند إدخاله إلى نموذج GPT، يُقرأ مباشرة كنص متسلسل، ثم يُحوَّل إلى وحدات ترميزية (Tokens) تمهيدًا للمعالجة اللغوية. لا توجد خطوات وسيطة بين قراءة الملف وبدء التحليل. في المقابل، لا يُعد ملف DOCX نصًا مباشرًا بالمعنى التقني. بل هو حاوية مضغوطة تحتوي على مجموعة ملفات داخلية بصيغة XML تمثل الفقرات، الخطوط، العناوين، الهوامش، وأنماط التنسيق المختلفة. قبل أن يصل النص إلى نموذج GPT، يجب أولًا فك ضغط الحاوية، ثم استخراج المحتوى النصي من بنيته الهيكلية، ثم إزالة طبقات التنسيق غير الضرورية، وبعد ذلك فقط يُرسل النص الصافي إلى مرحلة الترميز والمعالجة. من منظور هندسي، يمكن تلخيص الفرق على النحو الآتي: - TXT: نص مباشر → ترميز → معالجة. - DOCX: فك ضغط → استخراج XML → تنظيف التنسيق → ترميز → معالجة. هذا التسلسل الإضافي في DOCX يعني وجود زمن معالجة أولي قبل بدء التحليل الفعلي. على الرغم من أن هذا الفارق قد يكون ضئيلًا في الملفات الصغيرة، فإنه يصبح أكثر وضوحًا عند التعامل مع ملفات كبيرة الحجم أو في أنظمة مؤتمتة تتعامل مع عدد كبير من الملفات بشكل متكرر. ينبغي التنبيه إلى أن نموذج GPT ذاته لا “يفضل” صيغة بعينها من حيث الفهم اللغوي؛ فبعد استخراج النص، تتم المعالجة بالطريقة نفسها. الفرق إذًا ليس في جودة الفهم، بل في زمن الوصول إلى مرحلة الفهم. وعليه، يمكن القول إن صيغة TXT أسرع قراءةً تقنيًا من صيغة DOCX داخل أنظمة تعتمد على تحليل النصوص، وذلك بسبب بساطتها البنيوية وخلوّها من طبقات التغليف والتنسيق. الخلاصة يتفوّق ملف TXT في سرعة القراءة داخل نماذج GPT لأنه نص خام يُعالج مباشرة دون مراحل استخراج أو فك ضغط، بينما يتطلب DOCX معالجة تمهيدية إضافية قبل التحليل، وهو ما ينعكس على زمن التنفيذ خصوصًا في البيئات المؤتمتة أو عند التعامل مع ملفات كبيرة. مستوى الثقة: