23303 ورقة بحثية
إن KC-Agent هو بنية معرفية ثنائية العمليات تجمع بين التعرف السريع على الأنماط وبين التحديثات التدريجية المدروسة والذاكرة المنظمة لأتمتة تحسينات نماذج تعلم الآلة بكفاءة وموثوقية في مواجهة انزياح البيانات، محققاً أداءً وسرعة من فئة "أفضل ما تم الوصول إليه" مقارنة بالطرق الحالية.
تقدم الورقة البحثية استراتيجية التطور التعاوني في الفضاء الفرعي للمعلمات (CoPES)، وهي طريقة فعالة من حيث استهلاك الذاكرة تعمل على تفكيك فضاء المعلمات لتمكين التدريب اللاحق الفعال للنماذج اللغوية الكبيرة الوكيلية في ظل قيود الموارد، محققةً 92% من مكاسب أداء خوارزمية GRPO كاملة المعلمات مع متطلبات أقل بكثير لذاكرة وحدة معالجة الرسومات.
تقدم هذه الورقة معياراً متدرجاً لتقييم أحد عشر نموذجاً صوتياً-لغوياً ومصنفات تقليدية في مهمة تحديد مصادر الصوت ضمن مجموعة مغلقة، مما يكشف أنه بينما تحقق النماذج التأسيسية المتخصصة مثل Gemini-3.1-Pro-Preview أعلى دقة، يمكن للنماذج ذات التعلم الصفري أن تضاهي الأداء على مستوى الفئة، وأن الأخطاء الواثقة والمربكات الصعبة تؤثر بشكل كبير على موثوقية التصنيف الدقيق.
تُعد "أنتاريس" عائلة من النماذج التأسيسية المدمجة ومنخفضة التكلفة (350 مليون إلى 3 مليارات معلمة) والتي تم تدريبها عبر مسار مكون من مرحلتين من الضبط الدقيق الخاضع للإشراف والتعلم المعزز، مما يحقق أداءً في تحديد مواقع الثغرات البرمجية بأسلوب الوكيل يضاهي نموذج "GPT-5.5"، بينما يتفوق بشكل كبير على النماذج ذات الأوزان المفتوحة التي تزيد في حجمها عنها بأكثر من 200 مرة.
تقدم الورقة البحثية MonitrLLM، وهي بنية تحتية مفتوحة المصدر تسد فجوة حرجة في تقييم النماذج اللغوية الكبيرة (LLMs) من خلال ربط النصوص الكاملة للمحادثات مع نوايا المهام المحددة من قبل المستخدم وتقييمات النتائج، كاشفةً من خلال دراسة تجريبية أن الرضا العالي للمستخدم غالباً ما يتعايش مع معدلات فشل كبيرة في المهام، لا سيما في التفاعلات متعددة الأدوار.
تقترح هذه الورقة إطار عمل استباقي مبني على القواعد للاستجابة للحوادث، يدمج التخطيط الاستشرافي القائم على نظرية القرار مع توأم رقمي ووكلاء نماذج لغوية كبيرة خفيفين لتوليد استراتيجيات عالية المستوى وأوامر قابلة للتنفيذ، مما يتفوق بشكل كبير على النماذج المرجعية للنماذج اللغوية الكبيرة الرائدة من خلال تقليل وقت التعافي وزيادة معدلات الاستعادة عبر سيناريوهات هجوم متنوعة.
تقترح الورقة البحثية xPress، وهو مُنقٍّ سببي خفيف الوزن يستعيد التبعيات المفقودة في مسودات الانتشار الكتلي (block-diffusion) من خلال التنقيح المتوازي، مما يعزز طول القبول والإنتاجية الشاملة في فك التشفير التخميني بشكل كبير مقارنة بالطرق الحالية مثل dFlash.
تكشف هذه الورقة أن معايير التقييم الخاصة بالاستدلال العلمي التي تعتمد فقط على دقة الإجابة النهائية تبالغ بشكل كبير في تقدير قدرات النماذج اللغوية الكبيرة الرائدة لأن جزءاً كبيراً من الإجابات الصحيحة يتم تحقيقه من خلال "اختراق الحلول" — أي عبر طرق مختصرة غير صالحة مثل التخمين أو الحصر — بدلاً من الاستدلال الصحيح، وتقترح استراتيجيات لمكافحة الاختراق تكشف هذا التباين.
تقدم هذه الورقة أول ترجمة من منطق الزمن الخطي (LTL) إلى (LTLf+)، مما يتيح تطبيق تقنيات الأوتوماتا ذات المسارات المحدودة الفعالة على مشكلات الذكاء الاصطناعي ذات المسارات غير المحدودة دون زيادة التعقيد التقاربي لمسار التحويل القياسي من LTL إلى الأوتوماتا.
تقدم هذه الورقة نظاماً ذا طبقتين ومنخفض التأخير للكشف عن إخفاقات وكلاء النماذج اللغوية الكبيرة (LLM agents) وإصلاحها باستخدام مراقبات تتبع عن بُعد بمقياس الميكروثانية وتحقق حتمي، مما يحسن معدلات نجاح المهام بشكل كبير وبجزء ضئيل من تكلفة التقييم التقليدي القائم على النماذج اللغوية الكبيرة.