28108 ورقة بحثية
يُعد Q-Flow إطار عمل للتعلم التعزيزي يحقق تحسيناً مستقراً ومعبراً للسياسات من خلال الاستفادة من ديناميكيات التدفق الحتمية لنقل القيم النهائية إلى الحالات المتوسطة، مما يلغي الحاجة إلى الانتشار العكسي غير المستقر عبر الحلول العددية ويتفوق على النماذج المرجعية المتطورة في الإعدادات غير المتصلة والمتصلة.
تقيم هذه الورقة بشكل منهجي اختبارات الإبداع البشري الحالية للتنبؤ بأداء النماذج اللغوية الكبيرة عبر الكتابة، والتفكير التباعدي، والابتكار العلمي، كاشفةً عن صلاحيتها المحدودة ومقدمةً اختبار الارتباط البعيد التباعدي (DRAT) كأول أداة قوية قادرة على التنبؤ بالابتكار العلمي من خلال التقييم المتزامن لكل من التفكير التقاربي والتباعدي.
تقدم هذه الورقة إطاراً تشخيصياً يكتشف أنماط سوء المعايرة الخفية المعتمدة على المدخلات في النماذج اللغوية الكبيرة عبر تعلم تمثيل مدرك للمعايرة لفضاء المدخلات، مما يتيح تصحيحات ثقة محلية أكثر فعالية من الطرق العالمية التقليدية.
تكشف هذه الورقة أن التعلم في السياق القائم على سلسلة الأفكونات متعدد الأمثلة يعمل كتعلم في وقت الاختبار داخل السياق بدلاً من مجرد مطابقة الأنماط، مما يثبت فشل قواعد القياس القياسية لمهام الاستنتاج، وتقترح اختيار الأمثلة المنحني (CDS) لتحسين ترتيب الأمثلة لتحقيق مكاسب كبيرة في الأداء.
تقترح هذه الورقة البحثية ArcVQ-VAE، وهو إطار عمل جديد للكمية المتجهة يعزز تعلم التمثيل المنفصل في نماذج VQ-VAE من خلال إدخال مسبق للهامش الزاوي الكروي لتقييد متجهات كتاب الشفرات وتحسين قابليتها للانفصال الزاوي، مما يؤدي إلى تحسين استخدام كتاب الشفرات وأداء أفضل في إعادة بناء الصور وتوليدها.
تقدم الورقة البحثية MMSkills، وهو إطار عمل يعالج أوجه القصور في تمثيلات المهارات القائمة على النصوص من خلال صياغة وتنفيذ معرفة إجرائية متعددة الوسائط قابلة لإعادة الاستخدام —تجمع بين الإجراءات النصية والأدلة المرئية المشروطة بالحالة— لتعزيز قدرات اتخاذ القرار في وقت التشغيل للوكلاء البصريين العامين.
تقيم هذه الدراسة أدوات الذكاء الاصطناٍ التوليدي المختلفة لإنشاء الشرائح التعليمية، حيث وجدت أن مساعدي البرمجة ينتجون محتوى أكثر سلامة من الناحية التربوية، وأن الطلاب يعتبرون الشرائح المُنشأة بواسطة الذكاء الاصطناعي مماثلة في الجودة لتلك التي أنشأها البشر، وغالباً ما يربطون الجودة المنخفضة المتصورة بمصدر الذكاء الاصطناعي.
يُعد HLS-Seek إطار عمل لتوليد الكود البرمجي يراعي جودة النتائج (QoR)، حيث يستفيد من نموذج مكافأة وسيط مقارن مع تقنية تبديل "مونت كارلو دروب أوت" (Monte Carlo dropout) الواعية بعدم اليقين لتدريب نموذج لغوي كبير مكون من 7 مليارات معلمة بفعالية لعمليات التخليق عالي المستوى (High-Level Synthesis)، محققاً بذلك تحسيناً فائقاً في زمن الاستجابة واستهلاك الموارد، ومتفوقاً بشكل ملحوظ على النماذج الرائدة في كل من صحة البناء اللغوي (syntax correctness) وهيمنة باريتو (Pareto dominance).
تقترح هذه الورقة مساراً لاستبدال معلومات الهوية الشخصية (PII) على الجهاز باستخدام نموذج لغوي صغير ببت واحد (1-bit) مع ترويسة أمثلة قليلة دوارة مشروطة بالموقع الجغراكي لمنع استرجاع الأمثلة، مما يكشف أنه بينما يولد هذا النهج نصوصاً أكثر طبيعية من الطرق القائمة على القواعد، فإنه يضر في النهاية بأداء التعرف على الكيانات المسماة (NER) في المهام اللاحقة بسبب عدم كفاية تنوع بيانات التدريب.
تقدم الورقة البحثية RealICU، وهو معيار مرجعي مشروح ببيانات استرجاعية، يقيم نماذج اللغات الكبيرة على بيانات وحدة العناية المركزة طويلة السياق باستخدام حقائق مرجعية راجعها الأطباء، مما يكشف أن النماذج الحالية تعاني من صعوبات في الموازنة بين الاستدعاء والسلامة وتحيزات الارتكاز رغم تحسن بنيات الذاكرة.