23845 ورقة بحثية
تقدم هذه الورقة "إعادة الضبط الجزئي المعاير" (CPR)، وهو مُحسِّن يمنع انهيار السياسة في التعلم التعزيزي المستمر من خلال سحب العصبونات ذات المنفعة المنخفضة دوريًا وانتقائيًا نحو نقطة تهيئتها، مما يحافظ على القدرة على التكيف دون التضحية بذروة الأداء.
تؤيد هذه الورقة تطبيق مبادئ هندسة البرمجيات على تأليف "مهارات الوكلاء" (Agent Skills) —وهي معرفة إجرائية قابلة لإعادة الاستخدام لوكلاء النماذج اللغوية الكبيرة— من خلال تحديد هيكلها، والتمييز بينها وبين آليات سلوكية أخرى، وتأسيس عملية قائمة على التقييم لإنشائها واستخدامها.
تقدم الورقة البحثية Lantern، وهو نموذج انتشار موجه بالفيزياء لمحاكاة المقياس الحراري يستخدم GradBlend لحل صراعات التدرج بين إزالة الضجيج الإحصائي والخسائر المساعدة المدركة للفيزياء، مما يحسن بشكل كبير كلاً من دقة الارتباط ودقة الفيزياء مقارنة بالطرق الحالية.
تقدم هذه الورقة "Value Router"، وهو محاكاة اصطناعية تُظهر أن قرارات التوجيه بين الخوارزميات الاستدلالية الرخيصة والنماذج اللغوية الكبيرة المكلفة يجب أن تعطي الأولوية للقيمة التجارية المقدرة إلى جانب درجة الصعوبة، مما يكشف أن الاستراتيجيات الموزونة بالقيمة تُحسن الدقة بشكل كبير وتُسلط الضوء على الحاجة إلى مراقبة متكيفة موسمياً لتجنب أوضاع الفشل الخفية الناتجة عن المقاييس الإجمالية.
تقدم هذه الورقة نظام DS@GT ARC لمسابقة CheckThat! 2026، والذي يوضح أن نموذج تحقق قائم على النماذج اللغوية الكبيرة (LLM) مع اختيار أفضل N من N يتفوق على نموذج مكافأة خفيف الوزن يعتمد على TF-IDF في التحقق من الادعاءات الرقمية متعددة اللغات، بينما يظهر أيضاً أن نموذج AraBERT يتفوق على النماذج المرجعية متعددة اللغات للغة العربية، وأن تفكيك الادعاء الفرعي يفشل في تحسين الأداء.
تقدم هذه الورقة وتُقيّم مُقدِّرات التحكم الاصطناعي الطيفية والهجينة التي تطابق الوحدات المعالجة في إحداثيات المتجه المنفرد، لتجد أنه في حين يتفوق مطابقة المسار الخام عمومًا على التقطيع الطيفي، فإن فجوة الأداء حساسة للغاية للمعالجة المسبقة وتتلاشى إلى حد كبير عند إزالة التأثيرات الثابتة للوحدات والزمن قبل التفكيك.
تقدم هذه الورقة PLATO، وهو إطار عمل جديد للتعلم التعزيزي متعدد الوكلاء يجمع بين ممثل (actor) قائم على شبكة المؤشر (pointer-network) وناقد (critic) قائم على الشبكة العصبية الرسومية (graph neural network) للتعامل بفعالية مع انفتاح كل من الوكيل والمهمة في البيئات الديناميكية دون الاعتماد على حدود اصطناعية أو إعادة تدريب.
تحدد هذه الورقة وتحل ثلاثة أنماط فشل حرجة في التعلم التعزيزي للنماذج اللغوية صغيرة النطاق من خلال ضمانات تقنية محددة، مقترحةً "فرضية سعة الهامش" التي تثبت أن استقرار تدريب خوارزمية (PPO) والأداء المتفوق يعتمدان على وجود أولوية إشرافية طليقة وإشارة مكافأة غنية بالمعلومات بدلاً من عدد معاملات النموذج.
تقدم هذه الورقة أول مجموعة بيانات مشروحة من قبل خبراء لإلغاء التضمين لتقييم قدرة النماذج اللغوية الكبيرة على التعرف على المعتقدات غير المعلنة وتحديثها، مما يكشف أن النماذج اللغوية الكبيرة الحالية تتخلف عن الأداء البشري في مهام الاستدلال البراغماتي هذه.
تقدم هذه الورقة DECODE، وهي مجموعة بيانات تضم 53,600 تعديل من واقع العمل داخل بيئات التطوير المتكاملة (IDE) لأكواد برمجية تم إنشاؤها بواسطة الذكاء الاصطناعي من أكثر من 1,000 مطور، والتي تكشف أن معظم التعديلات تحدث خلال 15 دقيقة من القبول وتثبت أن الضبط الدقيق للنماذج الأصغر على هذه البيانات يتفوق بشكل كبير على النماذج اللغوية الكبيرة الرائدة في التنبؤ بتعديلات الأكواد البرمجية.