23941 ورقة بحثية
تقدم هذه الورقة البحثية إطار عمل SAAS، وهو إطار تعلم تعزيزي ذاتي الوعي يخفف من حدة الإفراط في البحث في أنظمة البحث الوكيلية عبر النمذجة الديناميكية لحدود المعرفة وتطبيق التحسين المرحلي لتقليل التكاليف الحسابية دون التضحية بالدقة.
تقدم هذه الورقة تحليلاً مقارناً بين التعلم الواثق (Confident Learning) ورسم خرائط مجموعة البيانات (Dataset Cartography) للكشف عن أخطاء التصنيف في مجموعات بيانات تصنيف النصوص الروسية، مما يوضح أنه بينما يتفوق كلا الأسلوبين على الإزالة العشوائية، فإن فعاليتهما في تحسين أداء النموذج تعتمد بشكل كبير على حجم مجموعة البيانات ومستويات الضجيج، حيث يحقق التعلم الواثق مكاسب كبيرة في مجموعات البيانات الصغيرة والمشوبة بالضجيج.
تقدم هذه الورقة PRAIB، وهو إطار عمل مرجعي مبتكر ودراسة تجريبية واسعة النطاق تحلل 11,000 مراجعة مُنشأة آلياً مقابل ملاحظات بشرية للكشف عن تباينات سلوكية جوهرية — مثل الانحياز الإيجابي، والثقة المفرطة، وإغفال نقاط الضعف الذرية — مما يوفر أداة تشخيصية لتحديد الموثوقية الحالية والقيود التي تواجهها النماذج اللغوية الكبيرة في عملية مراجعة الأقران.
تقترح هذه الورقة إطاراً نظرياً وتجريبياً يوضح أن "إزالة الانحياز من أجل المتانة"، وهي عملية ضبط دقيق بسيطة تستهدف الانحيازات الناجمة عن المطالبات في الوحدات العصبية، يمكن أن تعزز بكفاءة متانة النماذج اللغوية الكبيرة تجاه المطالبات المتشابهة دلالياً والمختلفة نصياً دون الحاجة إلى إعادة تدريب كامل للنموذج بتكلفة باهظة.
تقدم هذه الورقة OmniMatBench، وهو معيار مرجعي متعدد الوسائط تمت معايرته بشرياً ويضم 3,171 مسألة منسقة من قبل خبراء عبر 19 مجالاً فرعياً في علم المواد، مما يكشف عن قيود كبيرة في الاستنتاج لدى النماذج اللغوية الحالية متعددة الوسائط ويضع أساساً لتطوير مساعدين ذكاء اصطناعي موثوقين في البحث العلمي.
تقدم الورقة البحثية CB-SLICE، وهي طريقة لاكتشاف شرائح الخطأ القائمة على المفاهيم تستفيد من نماذج عنق الزجاجة للمفاهيم لتحديد الإخفاقات المنهجية للنماذج من خلال تجميع العينات ذات التنبؤات الخاطئة للمفاهذ المشتركة، مما يوفر تفسيرات أكثر دقة وقابلية للتفسير من النهج الحالية.
يقدم HARP معالجًا متعامدًا ثنائي الجانب، مهيكلاً وقابلاً للتعلم، يقوم بتكييف أساس التكميم مع طبقات محددة وبيانات معايرة معينة، مما يحسن دقة تكميم النماذج اللغوية الكبيرة ذات البتات المنخفضة للغاية (2-4 بت) بشكل كبير مقارنة بطرق هادامارد الثابتة مع الحفاظ على كفاءة النشر.
تقترح الورقة البحثية خوارزمية ESPO (تحسين السياسة القريبة بوقف مبكر)، وهي خوارزمية تعلم تعزيزي تعمل على إنهاء مسارات الاستدلال الفاشلة ديناميكيًا للقضاء على الضجيج وتوفير الحوسبة، مما يؤدي إلى تحسين أداء الاستدلال الرياضي في اختبارات معيارية مثل AIME وMATH-500 مع تقليل استخدام الرموز (tokens) بنسبة تزيد عن 20%.
تقدم هذه الورقة إطار عمل \textsc{Ptah}، وهو إطار عمل متعدد الوكلاء ينظم التخطيط، وجمع الأدلة مع ذاكرة عمل بصرية، وتوليد التقارير بفرض التحقق لإنتاج تقارير بحث عميق متعددة الوسائط موثوقة، ومخلصة للاقتباسات، ومتداخلة بصرياً.
توسع هذه الدراسة معايير نظرية الألعاب التطورية لتشمل أربعة من وكلاء النماذج اللغوية الكبيرة الرائدة من الفترة ٢٠٢٥-٢٠٢٦، كاشفةً أنه في حين تستمر الانحيازات التعاونية عبر معظم النماذج، فإن هوية المزود تؤثر بشكل كبير على نتائج التوازن، كما يظل الصمود أمام الضجيج تحدياً عالمياً رغم التحسينات الجزئية في تكافؤ القدرة الهجومية.