cs.AI ورقة بحثية

Do Benchmarks Underestimate LLM Performance? Evaluating Hallucination Detection With LLM-First Human-Adjudicated Assessment

تُظهر هذه الدراسة أن إعادة تقييم معايير كشف الهلوسة من خلال التحكيم البشري للاستنتاج الذي تولده النماذج اللغوية الكبيرة يكشف أن التوصيفات الأصلية غالباً ما تقلل من تقدير أداء النماذج، مما يشير إلى أن إعادة التقييم بمساعدة النماذج يُنتج معايير أكثر موثوقية للمهام المعرضة للغموض.

I. F. Atasoy, B. Mutlu, E. A. Sezer, A. Wahdan2026-05-12

🤖 تعلم الآلة

Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization

تُعد Metis إطار عمل مبتكر يعيد صياغة عملية كسر حماية النماذج اللغوية الكبيرة (LLM jailbreaking) كعملية تحسين سياسة معرفية فوقية ذاتية التطور ضمن عملية قرار ماركوف لاتخاذ قرار جزئي الملاحظة (POMDP) تنافسية، محققةً معدلات نجاح هجوم هي الأفضل في فئتها مع تقليل تكاليف الرموز (tokens) بشكل كبير عبر استبدال الاستدلالات الثابتة باستدلال سببي موجه لتجاوز دفاعات السلامة المتقدمة.

Huilin Zhou, Jian Zhao, Yilu Zhong, Zhen Liang, Xiuyuan Chen, Yuchen Yuan, Tianle Zhang, Chi Zhang, Lan Zhang, Xuelong L (…)2026-05-12

🤖 الذكاء الاصطناعي

When Child Inherits: Modeling and Exploiting Subagent Spawn in Multi-Agent Networks

تتقصى هذه الورقة المخاطر الأمنية لتوريث الوكيل الفرعي في أنظمة النماذج اللغوية الكبيرة متعددة الوكلاء، حيث توضح كيف يمكن للوكلاء الأبوين المخترقين تمرير تعليمات وحالات خبيثة إلى الأبناء المنبثقين حديثاً من خلال ضوابط غير آمنة للذاكرة والموارد، وتقترح ثوابت أمنية صريحة كآلية دفاع.

Ziwen Cai, Yihe Zhang, Xiali Hei2026-05-12

🤖 تعلم الآلة

Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View

تقترح هذه الورقة استراتيجية جديدة لإعادة وزن خسارة الرؤية العكسية للتصنيف طويل الذيل، والتي تستنتج أوزان الفئات ديناميكيًا لتحقيق هدف مثالي يتمثل في تساوي الخسارة لكل فئة مستوحى من الانهيار العصبي، مما يؤدي إلى تقليل عدم توازن الخسارة والتفوق على النماذج المرجعية الحالية.

Jinping Wang, Zixin Tong, Zhiwu Xie, Zhiqiang Gao2026-05-12

🔢 الرياضيات

PowerStep: Memory-Efficient Adaptive Optimization via $\ell_p$ -Norm Steepest Descent

يُعد PowerStep مُحسِّناً تكيُّفياً موفراً للذاكرة يحقق التكيف عبر الإحداثيات من خلال الانحدار الشديد لـ $\ell_p$ -norm دون تخزين إحصائيات العزم الثاني، مما يجعله يطابق سرعة تقارب Adam مع تقليل عبء الذاكرة بشكل كبير لتدريب نماذج Transformer واسعة النطاق.

Yao Lu, Dengdong Fan, Shixun Zhang, Yonghong Tian2026-05-12

🤖 الذكاء الاصطناعي

Defense effectiveness across architectural layers: a mechanistic evaluation of persistent memory attacks on stateful LLM agents

تقيم هذه الورقة بشكل منهجي ست آليات دفاعية عبر أربع طبقات معمارية ضد هجمات الذاكرة المستمرة على وكلاء النماذج اللغوية الكبيرة، كاشفةً أن معظم دفاعات مستوى الإدخال والاسترجاع تفشل، بينما تنجح "صندوق الذاكرة الرملي" (Memory Sandbox) القائم على بوابات الأدوات في تحييد التهديد من خلال إزالة قدرة الاستدعاء الضرورية، وإن كان ذلك مع تنبيه حرج يتمثل في أنه يتجاوز دون قصد آليات الرفض المتأصلة في نموذج استدلال محدد.

Jun Wen Leong2026-05-12

🤖 الذكاء الاصطناعي

Magis-Bench: Evaluating LLMs on Magistrate-Level Legal Tasks

تقدم هذه الورقة Magis-Bench، وهو معيار مرجعي جديد مستمد من الاختبارات القضائية البرازيلية يقيم 23 نموذجاً من النماذج اللغوية الكبيرة المتطورة في مهام الاستدلال القانوني والكتابة على مستوى القضاة، كاشفاً أن حتى النماذج الأعلى أداءً تواجه صعوبة في تحقيق درجات عالية في صياغة القرارات القضائية المسببة.

Ramon Pires, Thales Sales Almeida, Celio Larcher Junior, Giovana Bonás, Hugo Abonizio, Marcos Piau, Roseval Malaquias Ju (…)2026-05-12

🤖 تعلم الآلة

Attention Drift: What Autoregressive Speculative Decoding Models Learn

تحدد هذه الورقة البحثية "انحراف الانتباه" كقصور رئيسي في نماذج فك التشفير التخميني ذات التوليد الذاتي، حيث ينزاح الانتباه من النص الأصلي (prompt) إلى الرموز المولدة بسبب المسارات المتبقية غير المعيرة، وتقترح إصلاحات معمارية مثل "التطبيع البعدي" (post-norm) و"تطبيع RMS لكل حالة مخفية" (per-hidden-state RMSNorm) والتي تحسن بشكل كبير أطوال القبول عبر مختلف المهام وأطوال السياق.

Doğaç Eldenk, Payal Mohapatra, Yigitcan Comlek, Kaan Oktay, Hongyang Zhang, Stephen Xia2026-05-12

🤖 الذكاء الاصطناعي

Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI

تُبين هذه الورقة أن تصميم الآليات وحده غير كافٍ لتعظيم الرفاه الاجتماعي في التفاعلات القائمة على الذكاء الاصطناعي بسبب القيود المتأصلة في اكتمال العقود، وتجادل بدلاً من ذلك بأن تزويد وكلاء النماذج اللغوية الكبيرة بصفات اجتماعية إيجابية ذاتية هو أمر ضروري لتحقيق نتائج تعاونية متفوقة.

Xuanqiang Angelo Huang, Charlie Tharas, Samuele Marro, Van Q. Truong, Bernhard Schölkopf, Emanuele La Malfa, Zhijing Jin2026-05-12

🤖 تعلم الآلة

G-Zero: Self-Play for Open-Ended Generation from Zero Data

إن G-Zero هو إطار عمل تطوري مشترك وخالٍ من المتحقق (verifier-free)، يتيح التحسين الذاتي مفتوح النهاية للنماذج اللغوية الكبيرة عبر استخدام مكافأة "تلميح- $\delta$ " (Hint- $\delta$ ) جوهرية لتدريب نموذج "المقترح" (Proposer) على توليد استعلامات وتلميحات تحدّية، والتي يتعلم منها نموذج "المولد" (Generator) عبر خوارزمية التفضيل المباشر (DPO)، مما يتجاوز قيود الحكام الخارجيين.

Chengsong Huang, Haolin Liu, Tong Zheng, Runpeng Dai, Langlin Huang, Jinyuan Li, Zongxia Li, Zhepei Wei, Yu Meng, Jiaxin (…)2026-05-12

→ السابق التالي ←

cs.AI

Do Benchmarks Underestimate LLM Performance? Evaluating Hallucination Detection With LLM-First Human-Adjudicated Assessment

Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization

When Child Inherits: Modeling and Exploiting Subagent Spawn in Multi-Agent Networks

Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View

PowerStep: Memory-Efficient Adaptive Optimization via ℓp\ell_pℓp​-Norm Steepest Descent

Defense effectiveness across architectural layers: a mechanistic evaluation of persistent memory attacks on stateful LLM agents

Magis-Bench: Evaluating LLMs on Magistrate-Level Legal Tasks

Attention Drift: What Autoregressive Speculative Decoding Models Learn

Mechanism Design Is Not Enough: Prosocial Agents for Cooperative AI

G-Zero: Self-Play for Open-Ended Generation from Zero Data

PowerStep: Memory-Efficient Adaptive Optimization via $\ell_p$ -Norm Steepest Descent