27599 ورقة بحثية
تقدم هذه الورقة EpiCastBench، وهو إطار عمل شامل للتقييم المرجعي يتميز بـ 40 مجموعة بيانات وبائية متعددة المتغيرات منسقة وبروتوكولات تقييم معيارية لتسهيل المقارنة الصارمة والتقدم لمختلف نماذج التنبؤ من أجل اتخاذ القرارات المتعلقة بالصحة العامة.
تقدم هذه الورقة البحثية "التوجيه الواعي بالبيئة" (GAR)، وهو إطار عمل للتحسين متعدد الأهداف المقيد يعمل على تقليل انبعاثات ثاني أكسيد الكربون لعمليات استنتاج النماذج اللغوية الكبيرة (LLM) من خلال توجيه الطلبات ديناميكيًا إلى نماذج غير متجانسة مع الالتزام الصارم بأهداف مستوى الخدمة المتعلقة بالدقة وزمن الاستج</strong>استجابة.
تقدم هذه الورقة إطار عمل متكامل لنموذج المربعات الصغرى الجزئية الاحتمالية يتغلب على اختناقات التحسين الحالية من خلال الجمع بين تقدير فضاء الضجيج الفرعي وتحسين "متعدد ستيفل" الدقيق، محققاً تقارباً مثالياً في الحد الأدنى والحد الأقصى (minimax-optimal)، ومعايرة عدم يقين ذات صيغة مغلقة، وأداءً تنبؤياً فائقاً في اختبارات البيانات متعددة الأوميكس.
تقدم هذه الورقة البحثية "التفكير كفء الميزانية" (BET)، وهو إطار عمل ثنائي المراحل يعمل على تحسين حسابات وقت الاختبار لنماذج الاستدلال الكبيرة من خلال تعلم تخصيص الميزانيات ديناميكيًا بناءً على العوائد المتوقعة بدلاً من الصعوبة المتصورة، مما يحقق تقليلاً كبيراً في عدد الرموز (tokens) مع تحسين الأداء من خلال سلوكيات "الحل القصير"، و"الطي اللطيف"، و"نداء البطل" التكيفية.
يُعد Seirênes إطار عمل للتعلم التعزيزي القائم على اللعب الذاتي التنافسي، والذي يعزز متانة الاستنتاج في النماذج اللغوية الكبيرة عبر تدريب نموذج واحد على توليد سياقات مشتتة وحل المشكلات ضمنها في آن واحد، مما يحول التداخل السياقي إلى منهج تعليمي تطوري مشترك يعمل على تحسين الأداء عبر مختلف المعايير المرجعية وكشف نقاط الضعف في النماذج الأخرى.
تقدم هذه الورقة إطار عمل جديد لتقطير النماذج اللغوية البصرية (VLM) يسمى "Hide to See" يعزز قدرات الاستدلال متعدد الوسائط للنماذج الطلابية المدمجة من خلال توظيف قناع بادئة الاستدلال البارزة والجدولة ذاتية الخطوات لإجبار النموذج على الاعتماد على الأدلة البصرية أثناء عملية التفكير، مما يؤدي إلى التفوق على أساليب التقطير والتقطير الذاتي الحالية.
تقدم هذه الورقة البحثية مخططاً جديداً لعلامة مائية ثنائية الحدين متعددة البتات للنماذج اللغوية الكبيرة (LLM) تقوم بتشفير كل بت من الحمولة عند كل موضع للرمز باستخدام مشفر ذي حالة لتحديد أولوية البتات غير المشفرة بشكل ديناميكي، مما يحقق دقة ومتانة فائقتين مقارنة بالنماذج المرجعية الحالية مع اقتراح مقياس أكثر عملية لتسجيل الثقة لكل بت من أجل التقييم.
تقدم الورقة البحثية SkyPart، وهو نموذج أولي خفيف الوزن لاكتشاف الأجزاء الدلالية يعتمد على النماذج الأولية (prototype-based) لشبكات المحولات الرؤيوية (vision transformers)، والذي يحقق أفضل النتائج الحالية في تحديد المواقع الجغرافية عبر الرؤى المختلفة والمتينة تجاه الظروف الجوية من خلال الفصل الصريح بين التخطيط والنسيج، وتهميش تباينات الارتفاع، واستخدام تدريب متعدد الأهداف بوزن عدم اليقين.
تقترح الورقة البحثية "اكتشاف المهام التطوري" (EvoTD)، وهو إطار عمل يعزز استدلال النماذج اللغوية الكبيرة من خلال معاملة تركيب البيانات كبحث موجه عبر سمات تكوين المهارات والتعقيد، باستخدام مؤثرات تطورية مهيكلة ومرشح صعوبة ديناميكي للتغلب على تجانس البيانات وتحقيق تعميم قوي.
تقدم هذه الورقة Cochise، وهو إطار مرجعي بلغة بايثون يتكون من 597 سطرًا فقط، يطبق بنية "المخطط-المنفذ" (Planner-Executor) المنفصلة لاختبار الاختراق المستقل، مما يمكّن الباحثين من تقييم الوكلاء الموجهين بالنماذج اللغوية الكبيرة (LLMs) ضد بيئة اختبار "لعبة النشاط في الدليل النشط" (GOAD)، مع توفير أدوات مفتوحة المصدر لإعادة التشغيل، والتحليل، ومشاركة بيانات المسار.