---
language:
- ar
- en
license: other
license_name: mixed-sources-research-use
license_link: https://huggingface.co/sayed125/lhc-0-w4/blob/main/LICENSE.txt
tags:
- cognitive-architecture
- arabic
- semantic-search
- contrastive-learning
- retrieval
- zero-stacked-layers
- metacognition
datasets:
- mohamed-khalil/ATHAR
---

# LHC-0 W4 — نظام استرجاع EN↔AR بمعمارية معرفية بلا طبقات مكدَّسة

نظام استرجاع ثنائي اللغة (إنجليزي↔عربي) مبني على معمارية مستوحاة من الفص الأيسر:
**صفر طبقات مكدَّسة** (العمق عبر التكرار الزمني فقط)، يتكوّن من مرمّز تبايني مُدرَّب،
وذاكرة معرفة، وحاسبة رمزية، ومراقبة ثقة معرفية.

> **تسمية صادقة:** أسماء المكوّنات (بروكا، فيرنيكه، الحُصين…) **استعارات وظيفية** تربط
> كل مكوّن بمنطقة معروفة في الشق الأيسر — وليست ادعاءً بيولوجيًا. و«المراقبة المعرفية»
> تعني وصولًا وظيفيًا لحالات النظام الداخلية؛ **لا ادعاء بqualia ولا بتجربة ذاتية**.

---

## 1) ما الذي يفعله النظام فعليًا

1. **الاسترجاع هو مسار الإجابة:** `answer()` = ترميز السؤال → تشابه جيبي مقابل الذاكرة
   → أعلى نتيجة (top-1). لا توليد نصوص.
2. **المرمّز:** مصفوفة `W: 32768×128` (≈4.2M وسيط) على ميزات مجزّأة (hashed slot
   features)، مُدرَّبة بـInfoNCE + تنافر الأشقاء على **300,000 مثال مُجسَّد** مسحوب
   ببذرة ثابتة من مجمّع 3,605,197 زوجًا (40% منها أزواج موازية حقيقية).
3. **الذاكرة:** قاعدة معرفة (243 حقيقة، 151KB) + استرجاع جيبي.
4. **الحاسبة:** محلل BODMAS رمزي مكتوب يدويًا — **غير متعلَّم**؛ «العمق» خطوات إجرائية
   متتابعة بميزانية خطوات، وليس حسابًا عصبيًا.
5. **الثقة:** `conf = ½·top1 + ½·gap` (عتبة 0.45)، أو مسار معايَر (Platt) عند تمرير
   `calibrator`.

**حالة الاستخدام المقصودة (خطة v2):** بحث دلالي عربي↔إنجليزي فوق قاعدة معرفة **خاصة**
(استرجاع فوق مستندات/معرفة المستخدم). النظام ليس مترجمًا آليًا ولا مولّد نصوص.

## 2) بيانات التدريب (مجمّع 3,605,197 زوجًا من 16 مجموعة — التدريب الفعلي على 300K مثال)

| الدلو | المصادر | الادعاء |
|---|---|---|
| A — عام | NLLB 400K · UNPC 300K · CCMatrix 300K · CCAligned 150K · MultiUN 150K · wikimedia 100K · XLEnt 100K + المزيج الأصلي (TED2020/QED/News-Commentary/Wikipedia/GlobalVoices/TED2013/KDE4/WikiMatrix ≈ 2.1M) | تعميم عابر للمجالات |
| B — كلاسيكي | ATHAR 30K (عربية كلاسيكية) | استهداف مجال — موسوم صراحةً |
| لا يُدرَّب أبدًا | Tanzil · bible-uedin · NeuLab-TedTalks | تقييم فقط (حارس آلي) |

المجموع أعلاه مُثبت من `phase_w4_data.py` الأصلي (CCMatrix=300K، CCAligned=150K).

**دقة الصياغة:** المجمّع 3,605,197 زوجًا، لكن ما يُدرَّب فعليًا **300,000 مثال مُجسَّد**
(`LHC_W4_NEX=300000`) يُسحب منه ببذرة ثابتة (توزيع: **40% أزواج موازية** + 25% معزولة
مُعزَّزة + 20% slot-aware + 15% حماية صناعية)، ثم 40,000 خطوة × دفعة 128 (≈5.12M عرض).

**تنبيه إفصاح (تدقيق v8 — «توافر» ≠ «تعرّض» ≠ «حفظ»، 2026-10-03):**

1. **التوافر (قناع v7، مسح معكوس كامل):** نسبة عناصر التقييم التي يشابه نصها صفوفًا في
   المجمّع: Tanzil 9.4% · Bible 3.9% · NeuLab-TED 99.2% · FLORES 0.2% (إنجليزي فقط).
2. **التعرّض الفعلي (إعادة تشغيل منطق أمثلة التدريب بنفس البذور من المجمّع ذاته):** معدل
   سحب أي صف إلى الأمثلة = 119,961/3,608,654 = **3.32%**؛ وبمطابقة النصوص الحرفية مع
   عناصر التقييم: **Tanzil 8 عناصر (0.04%) · Bible 5 (0.03%) · TED 1,448 (7.2%)
   · FLORES 0** — التوافر أوسع من التعرّض بمقدار **~100–200×** في Tanzil/Bible.
   (تقدير احتمالي مستقل: 3.1 / 4.8 / 2,438 / 0.1 — نفس الرتبة.)
3. **فجوة النتيجة (مموّه−نظيف):** +0.05 (Tanzil) و+0.18 (Bible) لـar→en بدلالة إحصائية —
   **لكن اختبار التحكم بنموذج e5-small غير المُدرَّب على هذه المجموعات يُظهر فجوة مماثلة
   أو أكبر على نفس العناصر** ⇒ الفجوة **اختيار عناصر** بالأساس، ولا تُنسب للحفظ.
4. **الخلاصة العملية:** أرقام Tanzil/Bible/FLORES المعروضة للتقييم هي أرقام **العناصر
   النظيفة** (القسم 4.2)؛ أرقام TED غير قابلة للتعميم (مهمة سهلة نسبيًا حتى للمراجع
   القوية). لا دليل قائمًا على «حفظ مادي» مؤثر في المجموعات الثلاث الأولى.

## 3) منهجية التقييم

- **المهمة:** twin-retrieval ثنائي الاتجاه: تُسترجع الجملة التوأم الحقيقي من بين
  **300 مرشح** (التوأم + 299 مشتّتًا من نفس المجموعة)؛ النجاح = نص التوأم المُرجَّع
  يطابق الحقيقي.
- **العينة (محدَّثة):** البروتوكول الأساسي الآن **الكتل الكاملة**: كل مجموعة (20,000)
  تُقسَّم إلى 66 كتلة × 300 عنصرًا (بذرة 41) ويُقيَّم **كل** عنصر داخل كتلته (R@1، WTA).
  تبقى أرقام n=300 (seed=41) للتوافق مع قياسات المراجع، وALL يُعاد تعريفه صراحةً
  (ALL-بدون-TED-نظيف) بدل المدمج الثلاثي.
- **حمولة التقييم الفعلية:** 20,000 زوجًا لكل مجموعة (حد التنزيل في `download_corpus`).
- **الفواصل:** ويلسون 95% لكل رقم (الجدول الكامل في `wilson_table.md`).

## 4) النتائج الرئيسية (n=300، المرشحون=300، seed=41)

> ⚠ **هذا الجدول على المجموعات الكاملة (قبل التنقية)** — لعرض الحد الأعلى/المقارنة مع
> النشر السابق. الأرقام المعتمدة للتقييم هي **العناصر النظيفة بكتل 300** في §4.2.

| المجموعة | W4 | 95% CI (ar→en / en→ar) | W4.1-Robust |
|---|---|---|---|
| Tanzil | 0.230/0.247 | [0.186–0.281] / [0.201–0.298] | 0.240/0.243 |
| Bible | 0.497/0.477 | [0.440–0.553] / [0.421–0.533] | 0.560/0.520 |
| NeuLab-TED † | 0.917/0.903 | [0.889–0.939] / [0.871–0.929] | 0.913/0.910 |
| ALL | 0.590/0.610 | [0.534–0.644] / [0.554–0.663] | 0.623/0.597 |

† استرجاع ذاكرة (توافر 99.2%، تعرّض فعلي 7.2%) — لا يُحتسب تعميمًا (انظر القسم 2).
‡ «ALL» هنا = المدمج الثلاثي (يشمل TED)؛ رقم التعميم البديل: 0.393/0.367 (انظر §4.2).

**FLORES-101 devtest (n=1,012؛ فحص التسرّب: الجانب العربي 0/1012 في كل الطبقات — الجانب الإنجليزي جملتان متطابقتان حرفيًا 0.2% موثّقتان):**

| النظام | ar→en R@1 / R@5 / MRR | en→ar R@1 / R@5 / MRR |
|---|---|---|
| LHC-0 W4 | 0.9358 / 0.9802 / 0.9561 | 0.9338 / 0.9832 / 0.9549 |
| LHC-0 W4.1 | 0.9348 / 0.9802 / 0.9545 | 0.9476 / 0.9792 / 0.9636 |
| LaBSE (مرجع) | 0.9980 / 0.9990 / 0.9985 | 0.9990 / 0.9990 / 0.9990 |
| multilingual-e5-small (مرجع) | 0.9417 / 0.9921 / 0.9637 | 0.9684 / 0.9970 / 0.9802 |
| fastText+Procrustes (مُدرَّب على نفس الـ3.6M) | 0.9101 / 0.9704 / 0.9379 | 0.6818 / 0.8498 / 0.7599 |

ملاحظة إتمام القياس: نواة Kaggle (ج) أكملت التدريب والمحاذاة (‖XW−Y‖=0.513) لكنها انكسرت قبل التقييم (مسار FLORES)؛ **أُعيد إنتاج خط الأنابيب محليًا بنفس النصوص والبذور (11 و41) من مخرجات النواة نفسها، وطابق المُتبقّي (residual) بالضبط 0.513** — الأرقام أعلاه من التشغيل المحلي المتحقّق (`recon/fasttext_local_eval.py`).

**⚠️ تحذير مجال (مهم للقراءة):** FLORES تتقاطع موضوعيًا مع بيانات تدريبنا (Wikipedia
والأخبار: WikiMatrix/Wikipedia/News-Commentary) — فهي **مجموعة «مريحة» نسبيًا لنموذجنا**،
وقربه من e5-small عليها **لا يعني قربًا مماثلًا خارج المجال**. على المجموعات الأصعب
(ALL على Tanzil/Bible/TED غير المنقّاة) الفارق لصالح e5-small واضح (0.680 مقابل 0.590).

**قراءة إحصائية مقترنة — McNemar الدقيق على نفس الـ1,012 جملة (2026-10-03):**
(لا نستنتج من تداخل فواصل ويلسون لبيانات مقترنة.)

| المقارنة | Δ | b01/b10 | McNemar p | Bootstrap مقترن 95% | الحكم |
|---|---|---|---|---|---|
| W4 − e5-small، ar→en | −0.006 | 51/45 | 0.610 | [−0.025, +0.013] | **غير دال** |
| W4.1 − e5-small، ar→en | −0.007 | 53/46 | 0.547 | [−0.027, +0.013] | **غير دال** |
| W4 − e5-small، en→ar | −0.035 | 62/27 | 2.7×10⁻⁴ | [−0.053, −0.017] | **دال** |
| W4.1 − e5-small، en→ar | −0.021 | 49/28 | 0.022 | [−0.038, −0.004] | **دال** |
| W4 − fastText+Proc، ar→en | **+0.026** | 51/77 | 0.027 | [+0.004, +0.047] | **دال (لصالحنا)** |
| W4.1 − fastText+Proc، ar→en | **+0.025** | 52/77 | 0.034 | [+0.003, +0.046] | **دال (لصالحنا)** |
| W4 − fastText+Proc، en→ar | **+0.252** | 26/281 | <10⁻³⁰⁰ | [+0.222, +0.283] | **دال (لصالحنا)** |
| W4.1 − fastText+Proc، en→ar | **+0.266** | 19/288 | <10⁻³⁰⁰ | [+0.236, +0.295] | **دال (لصالحنا)** |

- ar→en: الفرق الصغير **لا يصل للدلالة** (p≈0.55–0.61) — العدد الحقيقي للمقارنة هو الإصابات
  المتقاطعة (b01/b10) وليس تداخل الفواصل.
- en→ar: e5-small متقدم **بدلالة إحصائية موثوقة** (+0.021 إلى +0.035).
- **مقابل fastText+Procrustes (مرجع قوي من عائلته المعجمية ذاتها): LHC-0 متقدم بدلالة في الاتجاهين** (‏+0.025/+0.026 بـp≈0.03 في ar→en — وهو الفرق الصغير الذي لم يصل للدلالة ضد e5 — و+0.25/+0.27 بـp≈0 في en→ar) ⇒ معنويات محدودة بـ128 بُعدًا ومحاذاة خطية تتفوق على fastText 128بُعدًا بمحاذاة Procrustes مُشرَفة على 250K زوجًا.
- الملفات الخام: `results/mcnemar_flores.json` + `results/mcnemar_fasttext.json` + صفائف الإصابات في `flores_per_item_hits.npz`.

### 4.2) التقييم النظيف — بكتل 300 على **كل** العناصر (بلا عيّنة 300)

**المنهجية (محدَّثة وفق المراجعة):** كل مجموعة كاملة (20,000) تُقسَّم إلى 66 كتلة × 300 عنصرًا
(خلط بذرة 41) ويُقيَّم **كل عنصر** داخل كتلته، ثم نفصل: عناصر مموّهة (توافر تدريبي) مقابل
نظيفة ⇒ اختبار **فجوة التسرب**.

| المجموعة (W4) | كامل (66×300) | مموّه | نظيف | فجوة التسرب 95% |
|---|---|---|---|---|
| Tanzil | 0.2194/0.2138 | 0.2641/0.2582 | 0.2148/0.2092 | **+0.049** [+0.029, +0.070] p<10⁻⁵ |
| Bible | 0.5159/0.4907 | 0.6863/0.6876 | 0.5089/0.4826 | **+0.177** [+0.144, +0.210] p<10⁻¹⁰ |
| NeuLab-TED | 0.9098/0.9043 | 0.9097/0.9047 | 0.8896/0.8571 (n=154) | +0.02/+0.05 غير دال (تشبّع) |
| FLORES (3×300) | 0.9711/0.9678 | — (n=2) | 0.9710/0.9677 | لا يُقاس (n=2) |

(W4.1 نظيف — كتل 300: Tanzil 0.2174/0.2180 · Bible 0.5489/0.5247.)

- **اختبار التحكم الحاسم:** e5-small (لم يُدرَّب على هذه المجموعات) على **نفس العناصر**:
  فجوته مموّه−نظيف على Bible = +0.127/+0.142 مقابل +0.084/+0.058 لـLHC على نفس الكتل
  ⇒ الفجوة **اختيار عناصر بالأساس لا حفظ خاص بـLHC**؛ نُبقي الأرقام النظيفة لأنها الأقل
  تحيّزًا، ونعرض الفجوة كما هي بدل نسبتها للحفظ.
- **مقارنات مقترنة على العناصر النظيفة فقط (McNemar مقابل e5-small؛ 4 كتل/مجموعة):**
  Tanzil: ar→en لصالح e5 (Δ=−0.035، p=0.043) و**en→ar لصالحنا** (Δ=+0.059، p=4×10⁻⁴)؛
  Bible: e5 متقدم بوضوح (Δ=−0.164 و−0.328، p≈0)؛ FLORES (كتل 300): **ar→en لصالحنا**
  (Δ=+0.023، p=0.009)، en→ar متعادل (p=0.11).
- **LaBSE على نفس الكتل النظيفة (أُنجز — نفس 4 كتل/مجموعة ونفس العناصر، تحقق آلي من تطابق القناع):**

| المجموعة | LaBSE نظيف | LHC-0 W4 نظيف | Δ (LHC−LaBSE) | p |
|---|---|---|---|---|
| Tanzil | 0.5184/0.7284 | 0.2376/0.2449 | −0.281/−0.483 | <10⁻¹⁰ (n=483/607) |
| Bible | 0.9402/0.9692 | 0.5031/0.4820 | −0.437/−0.487 | <10⁻¹⁰ |
| NeuLab-TED (نظيف=13) | 0.923/1.000 | 0.923/0.923 | 0.000/−0.077 | غير دال (n≤2) |
| FLORES | 0.9989/0.9989 | 0.9710/0.9677 | **−0.028/−0.031** | 2×10⁻⁷ (n=25/28) |

  ⇒ **الصورة النظيفة الصحيحة:** LaBSE (470M) متقدم علينا في كل المجموعات (بدلالة)، لكن الفجوة
  تتفاوت جذريًا: **~2.8–3.1 نقطة على FLORES (≈97% من LaBSE، بمعامل 1% من الحجم)** مقابل
  ~28–49 نقطة على Tanzil/Bible (مصادر شبه مؤكد أنها في بيانات تدريب LaBSE).
- **اختبار ضبط إضافي (فجوة القناع عند LaBSE نفسه):** مموّه−نظيف = +0.122/+0.079 (Tanzil)،
  +0.060/+0.031 (Bible)، **+0.0011 (FLORES)** ⇒ نموذج خارجي كبير يُظهر فجوة مماثلة على
  المجموعتين الملوّثتين وصفرًا على FLORES — تأكيد مستقل بأن القناع يقيس تداخلًا حقيقيًا
  في بيانات التدريب، ومع ذلك **تبقى نسبة الفجوة إلى الحفظ غير محدَّدة** (اختبار e5 أعلاه).
- **LaBSE نفسه يفقد نقاطًا على العناصر النظيفة** (Tanzil 0.530→0.518) — دليل على أن
  التقارير غير النظيفة تُنفخ لأي نموذج، لا لنا فقط.
- **«ALL»:** لا يُقدَّم المدمج (0.590/0.610) كرقم تعميم — تركيبه يضم TED. الرقم المعتمد
  للمركّب: **ALL-بدون-TED-نظيف = 0.393/0.367 (W4) و0.407/0.390 (W4.1)**؛ الفرق عن 0.590/0.610
  يعكس التركيب وسهولة TED (وليست حفظًا مُثبتًا — انظر الإفصاح §2).
- **حساسية العتبة (0.35→0.65):** نظيف Tanzil 17,078→19,251 وBible 19,043→19,518 —
  والأداء مستقر ضمن الضجيج. خام: `results/threshold_sweep_v2.json` + `clean_eval_blocks.json`.
- **استدعاء مولّد المرشحين (مكررات مزروعة، 353 جملة + تشوهات):** v7 يلتقط **100%**
  (تنقيط/تشكيل/تطبيع/خلط/تبديل كلمة) و≥99.7% عند تغيير نصف الكلمات؛ فلتر v6 القديم
  (simhash≤4): 28% عند كلمة و**2–7% عند كلمتين** (هذا سبب تفويت v6 المُكتشف)؛ منحنى
  القرار متدرّج (شامل: 100% حتى كلمتين → 83% عند 4 → 70% عند 5).
  خام: `results/recall_planted_sweep.json`.

## 5) المقارنة الخارجية على مجموعات التقييم الذهبية (n=300)

> † عمود ALL في الجدول أعلاه مبني على المدمج الثلاثي (يشمل TED) — **للمقارنات التركيبية
> فقط**، وليس رقم تعميم؛ رقم التعميم المعتمد: ALL-بدون-TED-نظيف = 0.393/0.367 (W4).

| النموذج | Tanzil | Bible | NeuLab-TED † | ALL ‡ |
|---|---|---|---|---|
| LHC-0 W4 (4.2M وسيطًا) | 0.230/0.247 | 0.497/0.477 | 0.917/0.903 | 0.590/0.610 |
| LaBSE (~470M) | 0.667/0.847 | 0.973/1.000 | 0.980/0.990 | 0.857/0.923 |
| multilingual-e5-small (~118M) | 0.413/0.340 | 0.803/0.863 | 0.930/0.973 | 0.680/0.673 |
| fastText+Procrustes (same-3.6M، مرجعنا الأدنى) ‡ | 0.123/0.050 | 0.473/0.163 | 0.827/0.447 | 0.507/0.230 |

- e5-small أعلى من LHC-0 في **الاتجاهات الثمانية كلها** على هذه المجموعات الكاملة (فروق
  تتجاوز تداخل الفواصل هنا، بخلاف حالة FLORES). **لكن على العناصر النظيفة المقترنة
  (McNemar، §4.2) تنقلب الصورة جزئيًا:** LHC يتقدم في Tanzil en→ar (p=4×10⁻⁴) وFLORES
  ar→en بكتل 300 (p=0.009)، ويتعادلان en→ar/FLORES؛ وe5 يفوز في Bible والتشكيل.
  الفرق الأساسي: LaBSE/e5 لم يُقاسا بعد على **نفس** العينات النظيفة الكاملة (LaBSE مؤجَّل،
  e5 جزئي) — الانقلاب الجزئي مشروط بإتمامهما.
- **حُذفت نسب «من LaBSE على ALL» واستُبدلت بأرقام نظيفة مقيسة فعليًا** (جدول §4.2):
  على FLORES النظيفة (لا تداخل لأي من الطرفين) = **97.2%/96.9% من LaBSE**؛ على
  Tanzil/Bible النظيفة = 45.9%/33.6% و53.5%/49.7% من LaBSE. أي نسبة «من LaBSE» تُذكر
  **مصحوبة دائمًا بالمجموعة والاتجاه وحجم العينة**، ولا تُذكر أبدًا على «ALL» المدمج.
- ‡ قيم TED لهذا المرجع منخفضة لأن أزواج TED محفوظة في تدريبه بنسبة 99.2% — لكن قياسه مدرَج
  للأمانة ولأن جلّ أرقامه (Tanzil 0.123، Bible 0.473، FLORES en→ar 0.682) تُظهر فجوة كبيرة
  بكلا الاتجاهين.

## 6) المتانة العربية (تشوهات مُصنَّعة اصطناعيًا — موسومة كذلك)

**محدَّثة: على ALL-نظيف** (Tanzil-نظيف + Bible-نظيف، 37,332 عنصرًا؛ TED مستثناة لأن النظيف
منها 154 عنصرًا — قيد معلن). متوسط±انحراف على 10 بذور تشويه (0–9)، عيّنة seed=41:

| الحالة (ALL-نظيف) | W4 | W4.1 |
|---|---|---|
| نظيف | 0.393/0.367 | 0.407/0.390 |
| تشكيل اصطناعي | 0.167±0.013 / 0.171±0.015 | **0.291±0.020 / 0.247±0.019** |
| تطبيع (أ/ة/ى/أرقام) | 0.323/0.333 | 0.410/0.380 (حتمي، ع=0) |
| إطالة (tatweel) | 0.344±0.021 / 0.312±0.011 | 0.387±0.015 / 0.353±0.016 |
| مجمّع | 0.138±0.010 / 0.158±0.013 | 0.279±0.018 / 0.236±0.018 |
| لهجة مصرية (test 865، W4.1) | — | 0.280/0.303 |

- الأرقام السابقة (تشكيل 0.496±0.017 على ALL الملوَّث) كانت **مرتفعة بسبب تركيب ALL**
  (TED السهلة) — الأرقام أعلاه على النظيف هي المعتمدة.
- **التطبيع حتمي ومعامل تغايره صفر** (تحقق مستقل من بروتوكول القياس). بذور معلنة (0–9).
- خام: `results/robust_clean.json` (+ `robust_10seed_v2.json` للملوَّث كمرجع).

## 7) السرعة (محدَّث 2026-10-03 — المُرمِّز الدفعي v3)

**المكسب المُنجَز (قياس داخلي موثوق — نفس العملية، أدنى 3 جولات):**
`recon/features_v3.py` — مخزون تجزئة على مستوى الكلمة/الثنائية + تراكم numpy دفعي
(بدل MD5 لكل ميزة في كل استدعاء):

| السيناريو | الأساسي | v3 الدفعي | التسريع |
|---|---|---|---|
| 1000 استعلام — بارد | 0.199 ث | 0.170 ث | **1.17×** |
| 1000 استعلام — ساخن (مخزون مُعمَّر) | 0.189 ث | **0.052 ث** | **3.63×** |
| مجموعة كاملة 20,000 نص | 4.65 ث | 1.87 ث | **2.49×** |

- **التكافؤ بايت-بايت مُثبَت**: 10,032/10,032 نص مطابق عنصر-بعنصر، والمتجهات النهائية
  بـ**0.0 فرق** (W4 وW4.1)، و**إصابات FLORES الفعلية مطابقة 100%** للأرشيف (947/945/946/959).
- رحلة التحسين الصادقة: matmul دفعي = 44.7× على الضرب وحده لكن **1.08×** e2e
  (التجزئة ≈97%)؛ `features_fast` = 1.27–1.64×؛ **v3 = الحسم** — عنق الزجاجة كان
  التجزئة نفسها، وقُطع بمخزون + متجهات.
- خام: `results/speed_bench_v3_final.json` + `speed_bench_v3_corpus.json` +
  `verify_v3.py` (سكربت الإثبات).

**المقارنة الخارجية (تنبيه منهجي مهم):** الأرقام المنشورة سابقًا (e5-small 0.62–0.92
وLaBSE 0.90–3.54 ث/1000) **قِيست على عتاد Colab وبجمل Tatoeba القصيرة** — لا تُقارن
مباشرة بقياسات CPU هنا. قياس إعادة بنفس الجلسة/النصوص (1000 جملة عربية من مجموعات
التقييم، حاوية 2 vCPU) أعطى e5-small ≈**21–22 ث/1000** (أي فارق يزيد عن مئة ضعف لصالحنا
هنا) — **لكن الحاوية متغيّرة الإنتاجية** (نفس القياس تذبذب 5.5–26 ث/1000 حسب الحمل)،
لذلك **لا يُنشر أي رقم خارجي جديد قبل قياس مضبوط على عتاد ثابت (نواة Kaggle، جولة
واحدة)**؛ وهو مدرَج كخطوة تالية. الأرقام الداخلية أعلاه هي المتينة والقابلة للنشر.

## 8) الثقة والموثوقية (محدَّثة بإعادة تقييم v2)

- **إعادة تقييم v2 (924 حالة، 8 فئات) عند العتبة الافتراضية 0.45:** القاعدة الأصلية
  100% قبول (وصحيح)، المعزَّزة 64.7% قبول (وصحيح)، القوالب الجديدة 6.5% فقط (ومن قبِل
  منها 16.7% فقط كان صحيحًا)، **العامية المصرية 0%**، وكل فئات OOD (جمل FLORES حقيقية
  عربية/إنجليزية، أسئلة مصنوعة، هراء) **0% تسريب**.
- المقايضة المقيسة: عتبة 0.35 → قبول أوسع (15.1% للقوالب الجديدة) مقابل **تسريب 0.7%**.
- المعاير (Platt) عند فصل ضبط حقيقي (نصف/نصف): رفض OOD 45.2% وقبول in-KB 43.1% —
  **أضعف من العتبة الخام**؛ أرقامه القديمة (ECE=0.026) لا تُستنسخ على المجموعة الأصعب
  → يُوسم **تجريبيًا**.
- التحذير القديم (n=42) يبقى موثقًا: عيّنته صغيرة ولا تُعمَّم.

## 9) القيود الصادقة

- **ليس نموذجًا توليديًا** — استرجاع + ذاكرة؛ لا يولّد نصًا حرًا.
- أرقام TED: تُعرض للتتبع فقط. توافر 99.2% لكن **التعرّض الفعلي 7.2%**؛ والمهمة نفسها
  سهلة نسبيًا (LaBSE 0.98/e5 0.93/fastText 0.83) — لا تصلح كمقياس تعميم صعب.
- مكاسب Tanzil/Bible: مزيج تعميم عام + استهداف مجال (ATHAR) — تجربة المحاذاة
  (بدون ATHAR) لم تُظهر دليلًا حاسمًا على اعتماد المكاسب على ATHAR (فروق ±0.05
  بعلامات متعارضة بين الاتجاهين؛ تشخيص واحد لكل ضلع — يلزم تعدد بذور).
- فروق FLORES مقابل e5-small: **محسومة اختبار McNemar** — ar→en غير دالة (p≈0.55–0.61)، en→ar دالة لصالح e5-small؛ ومقابل fastText+Procrustes نحن متقدمون بدلالة (إفصاح أعلاه).
- التقييم استرجاع توائم (300 مرشحًا) — وليس ترجمة توليدية، ولا يقيس الطلاقة.
- **الفجوة مقابل المراجع الكبيرة (إفصاح صريح):** LaBSE (470M) يتقدم LHC-0 (4.2M) في كل
  المجموعات النظيفة بدلالة إحصائية؛ الفجوة **ضئيلة على FLORES (2.8–3.1 نقطة)** و**واسعة
  على Tanzil/Bible** (وهما مصدران شبه مؤكد وجودهما في تدريب LaBSE نفسه).
- **بنود مؤجّلة معلنة (لا تُفسَّر النتائج بدلًا عنها):** (أ) توسيع مقارنة e5/LaBSE النظيفة
  من 4 كتل/مجموعة إلى 66 كتلة/مجموعة؛ (ب) قياس السرعة الخارجية المضبوط على عتاد ثابت
  (Kaggle) — الأرقام الخارجية القديمة لا تُنشر؛ (ج) إعادة بناء التعرّض تحققت بنسبة 99.26%
  (نصوص فريدة 579,457 مقابل 583,763) — الأرقام تقديرية بنفس الرتبة، ومصدر الفرق نسخة
  مجمّع/ترتيب مختلف جوهريًا في جلسة التدريب؛ (د) ترميز LaBSE بُتر عند 128 رمزًا (قيد ذاكرة
  الحاوية: 2GB/2 vCPU) — القيد معلن وقد يخفض أرقامه قليلًا على الجمل الطويلة.

## 10) إعادة الإنتاج

- **`LHC0_Reproduce_Colab.ipynb`** — دفتر مستقل يعيد إنتاج **38 قيمة منشورة**
  بتأكيدات آلية (24 جدول ذهبي + 12 FLORES + 2 متانة) من أوزان HF الحالية؛
  مُختبَر على بيئة نظيفة (كود المشروع الأصلي 100%).
- **`CONFIDENCE_PACK.md` + `wilson_table.md`** — فواصل الثقة لكل رقم + جدول الرخص
  + قيود الاستخدام قبل النشر.
- **`LEAK_AUDIT_REPORT.md`** — تقرير تدقيق التسرب (Tanzil/Bible/TED/FLORES ضد
  كامل بيانات التدريب 3,605,197 زوجًا).

## 11) الرخصة والبيانات (مُحدَّثة 2026-10-03 بعد مراجعة التراخيص)

**⚠️ تغيير وسم الترخيص:** الأوزان **ليست Apache-2.0** — خليط بيانات التدريب يفرض قيودًا.
الوسم الآن `other`، والاستخدام **بحثي غير تجاري** حتى تُراجع التراخيص قانونيًا.

- **غير تجاري/مقيَّد:** Tanzil (تقييم — «لأغراض غير تجارية فقط»)، QED (445K، «لأغراض
  البحث فقط»)، TED-domain (TED2020/TED2013/NeuLab-TedTalks — سياسة TED).
- **CC BY-SA 4.0 (نسب + مشاركة بالمثل):** FLORES-101 (تقييم — **تصحيح**: المستودع
  الرسمي `facebook/flores` يذكر CC-BY-SA 4.0، وليس CC BY-NC-SA كما ادّعت مرآة Kaggle)،
  ATHAR، Wikipedia/WikiMatrix/wikimedia/GlobalVoices.
- **بلا رخصة نصية معلنة:** CCMatrix (300K زوجًا) — مخاطرة قانونية تحتاج تسوية.
- **نسب إلزامي:** الأمم المتحدة (UNPC/MultiUN)، TED، OPUS ومؤلفو المجموعات.
- **إعادة التوزيع:** مستودع `lhc-w4-data` يعيد حاليًا توزيع shards تشمل QED وTED
  وCCMatrix — **يجب حذف هذه الشاردات الثلاث أو تقييدها** والاكتفاء بسكربتات التنزيل من
  المصادر الأصلية (خطة التنفيذ في `CONFIDENCE_PACK.md` §2.4).
- **أمني (معلَّق):** توكن HF القديم مذكور نصًّا في نسخة `phase_w4_data.py` داخل مخرجات
  نواة Kaggle الخاصة — يجب **تدويره** قبل النشر العام، مع التأكد من عدم وجود نسخ في
  أي مستودع عام.
- مجموعات التقييم لا تُعاد توزيعًا هنا — تُحمَّل من مصادرها الرسمية مباشرة.

## 12) English summary (neutral)

LHC-0 W4 is a retrieval-based EN↔AR system — **not an LLM, not generative, not a
translation engine**: a 4.2M-parameter contrastive hashed-feature encoder (32768×128)
trained on **300K distilled examples sampled from a 3.6M-pair pool (40% real parallel
pairs)** with InfoNCE + sibling repulsion, a 151KB knowledge memory, a hand-written
symbolic BODMAS calculator, and metacognitive confidence scoring — zero stacked layers.
Intended use case (v2 plan): **Arabic↔English semantic search over a private knowledge
base**.

Evaluation integrity (2026-10 audit, three distinct notions measured separately):
**availability** (fuzzy text overlap in the pool): Tanzil 9.4%, Bible 3.9%, TED 99.2%,
FLORES 0.2%; **actual exposure** (exact texts inside the sampled 300K examples, 3.32%
per-row sampling rate): Tanzil 8 items (0.04%), Bible 5 (0.03%), TED 1,448 (7.2%),
FLORES 0; **score gap** (masked−clean) is +0.05/+0.18 (Tanzil/Bible, significant) but a
**control with e5-small, which never trained on these corpora, shows comparable or larger
gaps on the same items** — so the gap is mostly item selection, not proven memorization.
Clean-set headline numbers (full 300-block evaluation of all items): Tanzil 0.215/0.209,
Bible 0.509/0.483, TED 0.890/0.857 (n=154), FLORES 0.971/0.968 (300-candidate blocks);
ALL-without-TED-clean = 0.393/0.367 (W4) / 0.407/0.390 (W4.1). Paired McNemar on clean
items: vs e5-small the picture is mixed (Tanzil en→ar favors LHC p=4e-4, ar→en favors e5;
Bible favors e5; FLORES blocks favor LHC ar→en p=0.009, tie en→ar); vs **LaBSE** (now
measured on the identical clean items) LaBSE leads in every set — but the margin varies
by an order of magnitude: **2.8–3.1 points on fully-clean FLORES (≈97% of LaBSE at 1% of
its parameter count)** versus 28–49 points on Tanzil/Bible (sources almost certainly
present in LaBSE's own training data). LaBSE itself also loses points on masked-out items
(Tanzil 0.530→0.518) and shows a mask gap of +0.122/+0.079 there versus +0.0011 on FLORES
— independent confirmation that the mask tracks genuine training-data overlap.
Controlled cross-model speed remains a declared deferred item; LaBSE encoding was
truncated at 128 tokens (2GB/2-vCPU sandbox limit). Candidate-
generator recall, measured with planted near-duplicates, is ≥99.7% (the old simhash
filter caught only 2–28% of 1-2-word edits — the reason audit v6 under-reported).
Robustness is reported as 10-seed mean±std on the clean pool. Component names are
functional metaphors; no qualia claims. Full CIs, license table (weights tagged `other`,
mixed-sources research use), leakage/exposure audit, and the standalone reproduction
notebook ship alongside this card.

**الملف المرجعي:** `sayed125/lhc-0-brain` (التقرير التقني) — والنسخة الإنجليزية
من هذا البطاقة أعلاه.