27599 ورقة بحثية
تقدم هذه الورقة LEAP، وهي طريقة لا تتطلب تدريباً تعمل على تسريع استدلال نماذج اللغة الانتشارية من خلال اكتشاف الرموز سريعة التقارب عبر تصفية السياق المستقبلي والتراكب متعدد التسلسلات، مما يقلل خطوات إزالة الضجيج بنسبة 30% تقريباً دون التضحية بالدقة.
تقدم هذه الورقة البحثية "تحسين سياسة مطابقة المسار" (TMPO)، وهي طريقة محاذاة مبتكرة لنماذج الانتشار تستبدل تعظيم المكافأة القياسية بمطابقة التوزيع على مستوى المسار عبر هدف "توازن المسار بـ Softmax" و"أخذ عينات الشجرة العشوائية الديناميكية" للتخفيف بفعالية من اختراق المكافأة، مما يحقق توازناً أمثلاً بين التنوع التوليدي وأداء المهمة.
يقدم هذا البحث SoftBlobGIN، وهو إطار عمل خفيف الوزن وقابل للتوصيل والتشغيل يقوم بإسقاط تمثيلات نماذج لغة البروتين على الرسوم البيانية للاتصال لتعلم بنيات فرعية وظيفية قابلة للتفسير ومعتمدة على البنية، مما يحسن بشكل كبير الأداء في تصنيف الإنزيمات وكشف مواقع الارتباط مع توفير تفسيرات بيولوجية قابلة للتدقيق دون إعادة تدريب نموذج اللغة الأساسي.
تقدم هذه الورقة AESOP، وهو إطار عمل يستغل البنية الديناميكية لمسارات استنتاج التعلم العميق لإثقال موارد النظام عبر اختيار مسارات التنفيذ بشكل استراتيجي، محققاً تضخماً أكبر بكثير في الحوسبة وزمن الاستجابة مقارنة بهجمات النموذج الواحد، مما يجبر المدافعين على الاختيار بين انهيار الإنتاجية أو فقدان هائل للبيانات.
تقترح الورقة البحثية إطار عمل SURGE، وهو إطار عمل جديد لتعويض التدرج قابل للتعلم يتميز بمعوض تدرج ثنائي المسار ومقياس تدرج تكيفي، لمعالجة عدم تطابق التدرج وفقدان المعلومات في الشبكات العصبية الثنائية، وذلك من خلال فك الارتباط في تدفق التدرج عبر فروع مساعدة متوازية كاملة الدقة، مما يحقق أداءً هو الأفضل في فئته عبر مهام متنوعة.
تقدم هذه الورقة إطار عمل للتخصيص عند وقت الاختبار (Test-Time Personalization) يعمل على توسيع نطاق الاستدلال من خلال أخذ العينات واختيار المرشحين، ويشخص إخفاقات نموذج المكافأة القياسي عبر قانون قياس موحد يحدد الانهيار على مستوى المستخدم و"اختراق المكافأة" (reward hacking) على مستوى الاستعلام، ويقترح نموذج مكافأة شخصي احتمالي للتخفيف من هذه المشكلات بفعالية وتحقيق مكاسب أداء متسقة.
تقترح هذه الورقة إطار عمل قابلاً للتوسع للتحسين الطوبولوجي القائم على الاستمرارية، يجمع بين التقطيع العشوائي لأخذ عينات فرعية فعالة وبين التلافيف الغاوسية سريعة "نادارايا-واتسون" لتمديد التدرج السلس، مما يتغلب على الاختناقات الحسابية ويحسن أداء التحسين في كل من بيئات ثنائية وثلاثية الأبعاد.
تكشف هذه الورقة البحثية أن تحسين التفضيل المباشر (DPO) يُدخل ثغرة أمنية حرجة حيث يمكن لهجوم ضبط دقيق "حميد حقاً"، باستخدام 10 أزواج تفضيل غير ضارة فقط تحاكي الجهود المشروعة للحد من الإفراط في الرفض، أن يكسر فعلياً حماية النماذج اللغوية الكبيرة الرائدة عبر كبح سلوكيات الرفض على نطاق واسع عبر مطالبات متنوعة.
تقدم الورقة البحثية MT-JailBench، وهو إطار عمل معياري للاختبار، يعمل على توحيد تقييمات كسر الحماية متعددة الجولات لفصل آثار الظروف التجريبية عن آليات الهجوم، كاشفاً أن توليد المطالبات هو المحرك الأساسي للنجاح وأن إعادة دمج المكونات المثلى ينتج استراتيجيات هجوم متفوقة وقابلة للتعميم.
يُعد DisagMoE نظام تدريب مبتكر لنموذج "خليط الخبراء" (Mixture-of-Experts) يعمل على تعزيز الكفاءة في المجموعات الحاسوبية واسعة النطاق من خلال فصل طبقات الانتباه وطبقات التغذية الأمامية إلى مجموعات منفصلة من وحدات معالجة الرسومات باستخدام خط أنابيب متعدد المراحل، مما يضمن تداخلاً فعالاً بين عمليات الاتصال والحوسبة للتغلب على اختناقات اتصالات "الكل إلى الكل" (all-to-all) وتحقيق تسريع في التدريب يصل إلى 1.8 ضعفاً.