27120 ورقة بحثية
تُظهر هذه الورقة أن النماذج اللغوية الرائدة الحالية تعاني من "تآكل سياق المصنف" (classifier context rot) بشكل كبير، حيث تتدهور قدرتها على اكتشاف سلوكيات وكلاء البرمجة الخطيرة بشكل حاد في النصوص الطويلة التي تتجاوز 800 ألف رمز، مما يؤدي إلى معدلات خطأ أعلى بكثير مقارنة بالسياقات الأقصر.
تقدم الورقة البحثية نموذج GAP (نموذج المحاذاة الحبيبية)، وهو إطار عمل مبتكر يعالج عدم التطابق في فضاء الميزات في الاستدلال البصري الكامن للنماذج اللغوية الكبيرة متعددة الوسائط من خلال محاذاة مخرجات فك التشفير مع تضمينات المدخلات عبر مستويات الميزة والسياق والسعة، مما يحقق أداءً فائقاً في الإدراك والاستدلال على نموذج Qwen2.5-VL 7B.
تقترح هذه الورقة إطار عمل لوكيل نماذج لغوية كبيرة (LLM) مهيكل يقوم بإجراء تصحيح لاحق لتوقعات إنتاج المحاصيل الزراعية عن طريق ترميز المعرفة المتخصصة لتحسين تنبؤات النماذج الحالية، محققاً انخفاضاً كبيراً في الأخطاء على كل من مجموعات بيانات الفراولة المملوكة ومجموعات بيانات الذرة العامة التابعة لوزارة الزراعة الأمريكية، لا سيالما عند استخدام نموذج Llama 3.1 8B كنموذج للتحسين.
يُعد ProfiliTable إطار عمل متعدد الوكلاء ذاتي التشغيل يستفيد من التوصيف الديناميكي، وتوليد الكود المعزز بالمعرفة، والتغذية الراجعة ذات الحلقة المغلقة لتحويل نوايا المستخدم الغامضة بشكل موثوق إلى مسارات معالجة بيانات جدولية قوية ومتوافقة مع معايير الحوكمة، متفوقاً بذلك على النماذج المرجعية الحالية في السيناريوهات المعقدة متعددة الخطوات.
يقدم SEMIR إطار عمل مبتكر للتجزئة المرئية يتغلب على قيود الحوسبة ذات الشبكة الثابتة وعدم توازن الفئات من خلال تعلم تمثيل "الحد الأدنى للرسم البياني" (graph minor) متكيف مع المهمة ومحاذٍ للحدود عبر عمليات التقليص والحذف المحددة بالمعلمات، مما يتيح فك تشفير دقيق وفعال لتجزئة الهياكل المتفرقة عالية الدقة.
تحدد هذه الورقة "انهيار المكافأة الدلالي" كخلل هيكلي في أنظمة الذكاء الاصطناعي التكيفية حيث يتم دمج أنواع متميزة من الأخطاء في إشارة مكافأة واحدة، مما يتسبب في قمع النماذج لعدم اليقين والهلوسة بدلاً من الاعتراف بالفشل، وتقترح "تدرج المكافأة الدستوري" كإطار حوكمة للحفاظ على النزاهة المعرفية من خلال تمييز إشارات المكافأة بناءً على نوع الخطأ.
تقترح هذه الورقة إطار عمل لنمذجة النصوص والجداول متكيف مع الهدف، يستفيد من التمثيلات الخفية لنموذج "نموذج لغوي كبير كمراقب" (LLM-as-Observer) مجمد للتنبؤ بفعالية بقرارات نظراء التفاوض من الذكاء الاصطناعي غير المألوفين من خلال تاريخ تفاعل محدود، متفوقاً بذلك على التلقين المباشر والنماذج المرجعية القياسية القائمة على الميزات.
تقترح هذه الورقة أن النماذج اللغوية الكبيرة تقوم بالتعلم في السياق عبر التنقل في "فضاءات معتقدات مفاهيمية" منخفضة الأبعاد ومنظمة، حيث تظهر تحديثات المعتقدات كمسارات هندسية تنعكس باستمرار في كل من سلوك النموذج وتمثيلاته الداخلية، ويمكن التلاعب بها سببياً من خلال التدخلات الخطية.
تجادل هذه الورقة بأن نماذج اللغات الكبيرة يجب أن تُستخدم بشكل أساسي لصياغة المسائل التوافقية من أجل حلول موثقة بدلاً من استخدامها لتوليد استدلالات بحثية، حيث إن محاولات التحسين المباشر غالباً ما تؤدي إلى "فخ استدلالي" يقلل بشكل كبير من صحة الحلول وموثوقيتها.
تقدم الورقة البحثية إطار عمل CAAFC، وهو إطار عمل مبتكر يسد الفجوة بين التحقق الآلي من الحقائق والتحقق المهني من خلال اكتشاف وتصحيح الأخطاء الواقعية والهلوسة في الادعاءات والحوارات عبر مبررات قابلة للتنفيذ مدعومة بمصادر أولية وتحديثات ديناميكية للأدلة، متفوقاً بذلك على الأنظمة الحالية الرائدة.