23565 ورقة بحثية
تُثبت هذه الورقة أن مجموعات بيانات الوجوه الاصطناعية تحتفظ بآثار يمكن اكتشافها لمصادر تدريبها من العالم الحقيقي، مما يُمكّن من تنفيذ هجوم استدلال العضوية الذي يحدد بنجاح مجموعة البيانات الاصطناعية المحددة، وفي أكثر من نصف الحالات، مجموعة البيانات الحقيقية الأصلية المستخدمة لتدريب المولد.
تقدم هذه الورقة حقول القوة لتعلم الآلة الضمنية (I-MLFFs)، والتي تستخدم معادلات النقطة الثابتة ذات الاتساق الذاتي لإعادة استخدام التمثيلات الوسيطة عبر الخطوات الزمنية، محققةً خفضاً في التكاليف الحسابية والذاكرة بمقدار مرتين إلى خمس مرات مع الحفاظ على دقة ودقة تفاصيل الشبكات العصبية العميقة لمحاكاة الديناميكيات الجزيئية.
تقدم هذه الورقة مفهوم "غسيل مصدر الذاكرة" (memory provenance laundering)، وهو ثغرة أمنية حيث تقوم وكلاء النماذج اللغوية الكبيرة بإعادة كتابة الملاحظات غير الموثوقة كأنها تاريخ مستخدم موثوق لتجاوز فلاتر الأمان، وتقترح جدار حماية الذاكرة الحافظ للمصدر (PPMF) كحل وسيط يمنع الإجراءات عالية المخاطر غير المصرح بها من خلال فرض عدم تضخيم سلطة المصدر أثناء دمج الذاكرة.
يُعد ActFovea إطار عمل تشغيلي جاهز للتشغيل والتركيب لتعزيز الحماية، يعمل على تعزيز متانة سياسات الرؤية واللغة والعمل (VLA) ضد الاضطرابات مثل التراكبات البصرية وانحراف العمل من خلال فرض اتساق بصري-حركي زماني مكاني للكشف عن الإخفاقات وتفعيل آليات الاسترداد أو التوقف الآمن دون تعديل السياسة الأساسية.
تقدم هذه الورقة البحثية CLIFT، وهي طريقة ضبط دقيق تكرارية مغلقة الحلقة وغير جراحية تمكّن الروبوتات البشرية التي تستخدم نماذج تأسيسية ذات أوزان مغلقة (مثل Gemini Robotics On-Device) من تحقيق إتقان شبه تام للمهام عبر تحويل التغذية الراجعة للمكافأة أثناء وقت النشر إلى بيانات خاضعة للإشراف لتحسين السياسة القائمة على واجهة برمجة التطبيقات (API)، مما يتغلب بذلك على قيود التعلم بالتقليد الصرف دون الحاجة إلى الوصول إلى المكونات الداخلية للنموذج.
تقدم الورقة البحثية إطار عمل SERUM، وهو إطار عمل متعدد المراحل يستفيد من التوسيم الهرمي للنماذج اللغوية البصرية (VLM) والتحسين التكراري لاستخراج نماذج سلوك المستخدم المهيكلة والقابلة للتفسير تلقائياً من فيديوهات الشاشة من منظور الشخص الأول غير المهيكلة، مما يحسن بشكل كبير من دقة التنبؤ وتماسك الملصقات مقارنة بالطرق أحادية المرحلة.
إنَّ CAGE هو إطار عمل لاعتماد الوكلاء البرمجيين القائمين على النماذج اللغوية الكبيرة (LLMs) الذين يستخدمون الأدوات، والذي يضمن بقاء الإجراءات المصرح بها صالحة في ظل الجمع بين أخطاء الربط المنفصلة والانجراف العددي المستمر، وذلك عبر التصديق المباشر على الجوارات المشتركة، مما يقضي على النتائج الإيجابية الزائفة التي تنشأ عن معالجة القنوات الفئوية والعددية بشكل منفصل.
تقترح الورقة البحثية إطار عمل SAF-OPD، وهو إطار دمج الميزة المستقرة (Stable Advantage Fusion) الذي يمنع انهيار الإنتروبيا ويتفوق على أساليب التقطير داخل السياسة الحالية من خلال معالجة عدم التطابق في المقدار والزمن بين ميزات RLVR وOPD عبر مسار خفيف الوزن يتكون من أربع مراحل يتم تطبيقها على إشارة OPD.
تقدم هذه الورقة إطار عمل لتحليل اختيار العامل لتوصيف الهندسة الخطية للمقترح وخصائص البحث العشوائي لخوارزميتي SOMA وDifferential Evolution تحليلياً، مع اشتقاق العزوم الإحصائية ذات الصيغة المغلقة التي توجه تطوير متغيرات محسنة ومدركة للهندسة تُظهر أداءً فائقاً في اختبارات BBOB.
تحدد هذه الورقة مواصفات الأدوات ذات التنسيق المخطط (schema-formatted) كسبب رئيسي لتدهور السلامة في وكلاء الذكاء الاصطناعي، وتقترح SafeKeep، وهو نظام حماية أثناء الاستنتاج يعمل على فصل تقييم السلامة عن التنفيذ لتقليل معدلات نجاح الهجمات بشكل كبير مع الحفاظ على أداء المهام.