27807 ورقة بحثية
تقدم هذه الورقة "انتباه المؤثر الزمني" (TOA)، وهو إطار عمل يتغلب على قيود انتباه "softmax" القياسي في التنبؤ بالسلاسل الزمنية من خلال دمج مؤثرات صريحة وقابلة للتعلم في فضاء المتتالية لتمكين التحويلات الموقعة والتذبذبية، مما يحقق أداءً فائقاً عبر مختلف المعايير المرجعية.
يُعد ReAD إطار عمل لتقطير القدرات الموجه بالتعزيز، يعالج الترابط بين قدرات النموذج من خلال تخصيص ميزانية ثابتة من الرموز (tokens) ديناميكيًا لتحسين المنفعة في المهام اللاحقة مع تقليل الآثار الجانبية الضارة والجهد الضائع.
تقدم الورقة البحثية LatentRouter، وهو إطار عمل مبتكر يحسن عملية اختيار النماذج متعددة الوسائط من خلال صياغة التوجيه كأداة للتنبؤ بالمنفعة المضادة للواقع، حيث تتواصل الكبسولات المتعلمة ورموز قدرة النموذج في تواصل كامن لتقدير ومطابقة نقاط القوة المحددة للنماذج المرشحة مع مدخلات الصور والأسئلة، مما يتفوق على النماذج المرجعية الحالية في كل من الأداء وكفاءة التكلفة.
تثبت هذه الورقة أنه بينما يستحيل توليد اللغة في الوقت المناسب للمولدات ذات الاتساق النهائي تحت ترتيب تفضيل عالمي، فإن ذلك يصبح ممكناً بكثافة مثلى إذا سمح المولد بمعدل هلوسة يتلاشى، بشرماً أن تكون دالة الموعد النهائي فائقة الخطية.
تقدم هذه الورقة البحثية منهجية "تعظيم قيمة البيانات المقيدة" (CDVM)، وهي نهج مبتكر يصيغ عملية تقليم البيانات كمسألة تحسين مقيدة لتعظيم تأثير النموذج بفعالية مع معاقبة المساهمات المفرطة لكل اختبار، مما يؤدي إلى التفوق على الطرق التقليدية القائمة على قيم شابلي في سيناريوهات البيانات المنخفضة.
تقترح هذه الورقة وتتحقق أولياً من نهج جديد يسخر النماذج اللغوية الكبيرة لتوليد مواصفات باللغة الطبيعية وإجراء التحقق التركيبي للأكواد، بهدف منع إنتاج تنفيذات معرضة للثغرات دون الاعتماد على لغات رسمية جامدة.
تُعد SOMA إطار عمل فعال لخدمة النماذج اللغوية الكبيرة متعددة الأدوار، حيث تعمل على تقليل زمن الاستجابة والتكلفة عبر استخدام نموذج كبير في البداية لتحديد التباينات الدلالية، ثم تكييف نموذج بديل أصغر عبر المطالبات الناعمة وضبط دقيق محلي باستخدام تقنية LoRA للتعامل مع بقية المحادثة مع وجود بوابة سلامة لضمان الجودة.
تقدم الورقة البحثية "Tenure"، وهو وكيل محلي أول (local-first proxy) يستبدل البحث عن التشابه الدلالي بنظام إدارة حالة اعتقاد مهيكل ومعرّف (structured, typed belief state management system) لتحقيق دقة مثالية في استرجاع ذاكرة النماذج اللغوية الكبيرة عبر الجلسات من خلال التعامل مع الذاكرة كمسألة إدارة حالة بدلاً من كونها مسألة بحث.
تقدم الورقة البحثية UG-TTT، وهو إطار عمل للاكتشاف في وقت الاختبار يستفيد من مجموعة من المهايئات منخفضة الرتبة لقياس عدم اليقين المعرفي لكل رمز عبر المعلومات المتبادلة، مستخدماً هذه الإشارة كمكافأة استكشاف لتوجيه النماذج اللغوية الكبيرة نحو حلول علمية مبتكرة حقاً مع تجنب عثرات التعلم المعزز القياسي التي تفضل الأنماط المألوفة.
تقترح هذه الورقة مجموعة جديدة من المستلزمات لمعايير قياس كشف الهلوسة، وتحدد الفجوات الحرجة في مجموعات البيانات الحالية فيما يتعلق بسيناريوهات استرجاع المعلومات المعزز بالتوليد (RAG) ذات السياق الطويل وضجيج التسمية الواقعي، وتقدم معيار TRIVIA+ مفتوح المصدر لمعالجة هذه القيود مع تقديم رؤى جديدة حول أداء طرق الكشف الحالية.