27120 ورقة بحثية
تُظهر هذه الدراسة التجريبية أن النماذج اللغوية الكبيرة، ولا سيما تلك المُحسّنة في مجال الاستنتاج مثل DeepSeek-R1، تتفوق بشكل كبير على أدوات التحليل الساكن المتطورة في مراجعة الأكواد الأمنية، مع تحديد أن استراتيجيات هندسة الأوامر، وتعقيد الكود، وحجم الملف هي عوامل حاسمة تؤثر على دقة الكشف وجودة الاستجابة لديها.
تقدم هذه الورقة "Anthology"، وهي طريقة تُهيئ النماذج اللغوية الكبيرة بناءً على سرديات حياتية مفتوحة (قصص خلفية) لإنشاء شخصيات افتراضية، مما يُظهر تحسينات ملحوظة في مطابقة توزيعات الاستجابة البشرية والاتساق التجريبي عبر ثلاثة مسوحات ممثلة وطنياً.
تتقصى هذه الورقة البحثية قابلية التفسير في البحث عن التشابه في الرسوم البيانية من خلال تقييم المعلومات المتبادلة وطرق التفسير القائمة على التدرج للشبكات العصبية الرسومية، مما يثبت أن النهج القائم على التدرج يقدم تفسيرات متفوقة من حيث القابلية للتنفيذ والاتساق والتبسيط لدرجات تشابه العقد.
تقدم هذه الورقة تصميم ومبادئ جوهرية ومنهجية تعتمد على البيانات لبرنامج \emph{TxGraffiti}، وهو برنامج حاسوبي يعمل على أتمتة توليد التخمينات الرياضية — لا سيما في نظرية المخططات — مع تسليط الضوء على مساهماته في الأدبيات العلمية وتقديم واجهة ويب تفاعلية جديدة.
تقدم هذه الورقة البحثية نموذج OrderFusion، وهو نموذج تنبؤ احتمالي شامل المعلمات وفعال من حيث عدد المعلمات، يستخدم منهجية دمج أوامر مبتكرة لالتقاط هيكل التفاعل الكامل لدفاتر طلبات الكهرباء المستمرة خلال اليوم، مما يجعله يتفوق على النماذج المرجعية التقليدية في التنبؤ بالأسعار عبر ظروف سيولة السوق المتغيرة مع ضمان تقديرات كمية غير متقاطعة.
تقترح هذه الورقة نموذجاً إحصائياً هرمياً يستفيد من توليدات متعددة لمعالجة تباين أخذ العينات في تقييم النماذج اللغوية الكبيرة، مما يؤدي إلى تحسين دقة الدرجات، وتمكين تحليل دقيق لصعوبة مستوى المطالبة، وتسهيل ضبط جودة المعايير من خلال تصور البيانات.
مستلهماً من نهج "Rainbow" لخوارزمية "DQN"، تقدم هذه الورقة "Simulus"، وهو وكيل نموذج عالم معياري يجمع بين مرونة التجزئة (tokenization)، والتحفيز الجوهري، وإعادة التشغيل ذات الأولوية، والتحويل من الانحدار إلى التصنيف لتحقيق كفاءة عينة هي الأفضل في فئتها عبر مختلف معايير التعلم المعزز البصرية، والمستمرة، والرمزية.
تقدم هذه الورقة شبكة عصبية رسومية للأحداث مسرعة عتاديًا تم تنفيذها على نظام على شريحة (SoC FPGA) تستفيد من نموذج حلزوني أذني اصطناعي لتحويل البيانات السلاسل الزمنية إلى أحداث متفرقة، محققةً تصنيفًا عالي الدقة ومنخفض التأخير مع تقليل عدد المعلمات والموارد الحسابية بشكل كبير مقارنة بالنماذج الرائدة.
تقدم هذه الورقة LLM-FE، وهو إطار عمل مبتكر يجمع بين البحث التطوري والنماذج اللغوية الكبيرة لاكتشاف برامج تحويل الميزات الفعالة للبيانات الجدولية بشكل تكراري، متفوقاً بذلك على أساليب هندسة الميزات المؤتمتة الحالية من خلال الاستفادة بشكل أفضل من المعرفة بالمجال والتغذية الراجعة المستندة إلى البيانات.
تقترح الورقة البحثية طريقة GRIT، وهي طريقة قائمة على التعلم المعزز تُمكّن النماذج اللغوية الكبيرة متعددة الوسائط من توليد سلاسل استدلال مرتكزة بصرياً عبر دمج اللغة الطبيعية مع إحداثيات صناديق الإحاطة الصريحة، مما يحقق كفاءة عالية في البيانات دون الحاجة إلى تسميات توضيحية للاستدلال أو التحديد الموضعي.