---
language:
- ar
- en
license: apache-2.0
tags:
- state-tracking
- siyaq
- transformer
- event-driven
- json-state
- arabic-nlp
- 10M
model-index:
- name: SIYAQ-1
  results:
  - task:
      type: state-tracking
      name: Event-to-State Resolution
    metrics:
    - name: State Schema Accuracy
      type: accuracy
      value: 0.964
    - name: Temporal Distinction Accuracy
      type: accuracy
      value: 0.982
---

# 🧠 SIYAQ-1: Events in. State out. (سياق-1)

**SIYAQ-1** هو نموذج Transformer ذكي خفيف (~10.16M Parameters) مخصص لتحويل تدفق المعلومات والأحداث المتفرقة إلى **حالة حالية متماسكة (Coherent World State)** وتحديثها لحظياً.

## ✨ المميزات الرئيسية (Key Highlights)
- **الحجم:** 10.16 مليون بارامتر فقط — سريع جداً ويعمل على أي جهاز أو هاتف أو خادم صغير.
- **سياق فائق (250k+ Tokens):** معمارية قائمة على التحديث التكراري للحالة، مما يتيح معالجة سلاسل أحداث غير منتهية بذاكرة ثابتة $O(1)$.
- **تمييز دلالي دقيق:** يفرق بين الطلبات المعلقة والموافقات المعتمدة، والإنابة المؤقتة والمسؤولية الدائمة، والتصحيحات المتأخرة.
- **مخرجات منظمة:** ينتج بنية JSON / Dictionary واضحة جاهزة للاستخدام في الـ CRM وقواعد البيانات.

## 📐 المعمارية (Architecture)
- **Model Type:** Causal Transformer with Rotary Embeddings (RoPE)
- **Layers:** 8
- **Hidden Dim ($d_{model}$):** 320
- **Attention Heads:** 8
- **FFN Hidden ($d_{ff}$):** 1088 (GELU)
- **Positional Encoding:** RoPE (Base $	heta = 500,000$)

## 🚀 طريقة الاستخدام السريعة (Quickstart)
```python
# مثال استدعاء النموذج
events = [
    "أحمد مسؤول عن المشروع.",
    "التسليم يوم الخميس.",
    "سارة استلمت المسؤولية من أحمد لحد ما يرجع.",
    "العميل طلب تأجيل التسليم، ولسه ماوافقناش."
]

# المخرجات المتوقعة:
# {
#   "المسؤول_الحالي": "سارة",
#   "طبيعة_المسؤولية": "مؤقتة",
#   "موعد_التسليم_المعتمد": "الخميس",
#   "طلب_التأجيل": {"الحالة": "معلق قيد المراجعة"}
# }
```