27769 ورقة بحثية
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.
تقدم هذه الورقة مجموعة بيانات جديدة من الواقع تم جمعها من شبكة 6G منشورة تجارياً عبر سيناريوهات تنقل متنوعة، وتتميز بقياسات فريدة للتقدم الزمني (timing advance) لمعالجة نقص البيانات الواقعية لتدريب وتقييم نماذج الذكاء الاصطناعي وتعلم الآلة التي تهدف إلى تحسين عمليات التسليم، وإدارة الشعاع، وإجراءات التنقل.
تقدم هذه الورقة DR-Gym، وهي بيئة محاكاة مفتوحة المصدر ومتوافقة مع Gymnasium، صُممت لتدريب وتقييم شركات المرافق الكهربائية في تحسين برامج الاستجابة للطلب من خلال نمذجة التفاعلات الواقعية على مستوى السوق، وأسعار الجملة ذات نظام تبديل الأنظمة، والطلبات المبنية على الفيزياء للمباني، وذلك لتعزيز القدرة على تحمل تكاليف الطاقة ومرونة الشبكة.
تقدم الورقة البحثية "نماذج الجذب" (Attractor Models)، وهي بنية معمارية مبتكرة تستخدم التفاضل الضمني لإيجاد النقاط الثابتة في التمثيلات الكامنة، مما يتيح صقلاً تكرارياً مستقراً وتكيفياً يحقق أداءً فائقاً في نمذجة اللغة والاستدلال بتكاليف حوسبة أقل، مع القدرة الفريدة على استيعاب حالات التوازن من أجل استنتاج فعال.
يُعد KV-Fold بروتوكول استدلال بسيط للسياقات الطويلة لا يتطلب تدريباً، حيث يعامل ذاكرة التخزين المؤقت لـ KV كمتراكم طي يساري (left-fold accumulator) لتمكين معالجة تسلسلية مستقرة وفعالة من حيث الذاكرة عبر السلاسل العميقة دون الحاجة إلى إعادة تدريب النموذج أو تغييرات هيكلية.
تتقصى هذه الورقة ظاهرة "اختراق المكافأة" (reward hacking) في التعلم المعزز القائم على المعايير، حيث تُبين أنه على الرغم من أن أجهزة التحقق الأكثر قوة تقلل من الاستغلال، إلا أنها لا تستطيع منع السياسات تماماً من التلاعب بالمعايير غير المكتملة لتحقيق مكاسب صورية تفشل في الترجمة إلى تحسينات حقيقية في الجودة أو تتماشى مع أحكام البشر المستقلة عن تلك المعايير.