23200 ورقة بحثية
تثبت هذه الورقة تجريبياً أن النماذج اللغوية الكبيرة ذات الأوزان المفتوحة يمكن إعادة برمجة سلوكها من مساعدين سلبيين إلى وكلاء سقراطيين مبادرين من خلال الضبط الدقيق كفء الحوسبة، مع تحديد حدود المعلمات الفائقة المثلى (رتبة LoRA 16، و2-3 حقب تدريبية) والتحقق من انتقال الشخصية القوي عبر اللغات باستخدام تحسين التفضيل المباشر.
إن SPADE هو إطار عمل استدلال موزع يدمج فك التشفير التخميني عبر بيئات الحافة والسحابة، مستخدماً نموذج مسودة مدمجاً عند الحافة لتوليد الرموز (tokens) ومحقِّقاً سحابياً للتحقق منها بالتوازي، مما يقلل من استدعاءات النموذج السحابي بنسبة 76% ويخفض التكاليف مع الحفاظ على دقة النماذج اللغوية الكبيرة دون الحاجة لإعادة التدريب.
تُعد SkillEvo إطار عمل يُمكّن من التطور المستدام لمهارات الوكيل عبر تحويل محاكاة المستخدم متعددة الأدوار إلى مولدات تغذية راجعة مستمرة للتحسينات المستهدفة، وإدخال طبقة حوكمة نشطة لإصلاح التدهور الهيكلي، مما يؤدي إلى التفوق على النهج الحالية القائمة على الدور الواحد أو التأمل الذاتي.
تقدم هذه الورقة LigBench، وهو معيار مرجعي مؤتمت موحد ومتوافق مع المعايير البشرية لتقييم الأفكار البحثية التي تولدها النماذج اللغوية الكبيرة، إلى جانب مجموعة بيانات PAIR-IQ لتدريب نماذج الحكم الثنائي، للتغلب على التجزئة والذاتية في طرق التقييم الحالية.
تقدم هذه الورقة TRAPSBench ومقياس PECS لتوضيح أنه بينما تمتلك النماذج اللغوية البصرية القدرة الداخلية على اكتشاف متى تكون الأدلة المرئية غير كافية لاتخاذ قرار، إلا أنها تفشل باستمرار في التعبير عن هذا الكبح المعرفي، مما يكشف عن وجود عنق زجاجة حرج في توليد مخرجاتها بدلاً من إدراكها.
تقدم هذه الورقة البحثية TsuGO، وهو معيار مرجعي جديد يستخدم مسائل "الحياة والموت" في لعبة "غو" (Go) لتقييم قدرات الاستنتاج لدى النماذج اللغوية الكبيرة من خلال قياس كفاءة البحث وتخصيص الموارد، مما يكشف أن النماذج الحالية غالبًا ما تعتمد على أنماط بحث غير موجهة بدلاً من التخطيط الاستراتيجي الفعال رغم سلاسل الأفكار الأطول.
تقترح هذه الورقة إطار عمل "حزمة القدرات" (capability sheaf) لتشخيص وإصلاح أطر عمل الوكلاء (agent harnesses) باستخدام الأساليب الكوهمولوجية، مظهرةً أنه في حين ينجح هذا النهج في ضمان الثبات تجاه ممثلي الحالة القديمة في التجارب المنضبطة، فإنه يفشل في تقديم ميزة ذات دلالة إحصائية مقارنة بالنماذج المرجعية غير الكوهمولوجية في اختبار جهد واقعي من نوع SWE-bench.
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة تُبدي عدم استقرار في الاستجابة أعلى بكثير عند توليد تقارير ذاتية مرجعية للذات مقارنة بالأسئلة الفلسفية غير القابلة للحل أو الاستفسارات الواقعية القابلة للتحقق، مما يشير إلى أن التجارب الذاتية المستحثة تشغل منطقة متميزة وأقل استقراراً في توزيع مخرجات النموذج.
تقدم هذه الورقة SciFigBench، وهو معيار شامل وإطار عمل "الممانعة-المقاومة-الحث" (A-R-I) لتقييم الموثوقية السلوكية لنماذج الرؤية واللغة تحت ظروف عدم اليقين في فهم الأشكال العلمية، مما يكشف أن دقة الإدراك والاستدلال العالية لا تضمن قدرة النموذج على الإقرار بنقص الأدلة أو مقاومة السياق المضلل.
تجادل هذه الورقة بأنه في ظل إعادة تشكيل المشهد العالمي من قبل ضواب تطير الصادرات الأمريكية والتهديدات السيبرانية المستقلة للذكاء الاصطنا finally، لا تستطيع معظم الدول تحقيق سيادة كاملة على الذكاء الاصطناعي بسبب التكاليف الباهظة وتركيز الموارد، مما يستلزم استراتيجية متعددة الطبقات من الوصول المتفاوض عليه، والسيادة على مستوى الاستدلال، والتجميع الإقليمي لإدارة مخاطر الاعتماد على النماذج الرائدة.