23941 ورقة بحثية
يُعد STFlow نموذجاً توليدياً مبتكراً يستفيد من مطابقة التدفق المقترنة بالبيانات مع أولويات السير العشوائي المستنيرة لمحاكة المسارات المعقدة متعددة المقاييس في أنظمة الأجسام المتعددة، والأنظمة الجزيئية، وديناميكيات البشر بكفاءة ودقة مع احترام التماثلات الهندسية.
تُعد ASTRA إطار عمل فعال في التواصل لاستنتاج نماذج Transformer متعددة الأجهزة، حيث يجمع بين توازي التسلسل وانتباه الدقة المختلطة وتقنيات التكميم المبتكرة لتحقيق تسريع كبير مع الحفاظ على الدقة حتى في ظل ظروف الشبكة ذات النطاق الترددي المنخفض وغير المستقرة.
تقدم هذه الورقة MMTABREAL، وهو معيار مُنسق بشرياً يضم 500 جدول متعدد الوسائط من العالم الحقيقي مع أكثر من 4,000 زوج من الأسئلة والأجوبة المصممة لتقييم وكشف أوجه القصور الكبيرة في الاستدلال والربط في النماذج اللغوية الكبيرة متعددة الوسائط الحالية بشكل صارم.
تقدم هذه الورقة دراسة تجريبية منهجية لخمسة من وكلاء إصلاح البرامج الآلي المتطورين عبر 500 مهمة من واقع العالم الحقيقي، كاشفةً عن أنه في حين أنهم يتفوقون في الإصلاحات البسيطة، إلا أنهم يعانون مع الأخطاء البرمجية كثيفة المنطق بسبب الأدوات البدائية والاختناقات في توليد الاختبارات، مما يحفز التحول نحو أنظمة أدوات أكثر ثراءً، وهياكل متنوعة، ومعايير قياس تعطي الأولوية للصحة الدلالية على المقاييس السطحية.
تقيم هذه الورقة البحثية بشكل نقدي الحالة الراهنة لأنظمة توصية نقاط الاهتمام (POI) من خلال تحديد أوجه القصور الرئيسية في مجموعات البيانات، والخوارزميات، ومنهجيات التقييم، مع اقتراح أجندة بحثية مهيكلة لمعالجة هذه العيوب وتعزيز القابلية للتطبيق في العالم الحقيقي.
تقدم هذه الورقة إطار عمل جديداً يحلل مسارات الاستدلال على مستويي المسار والخطوة ليكشف أن التعلم التعزيزي مع المكافآت القابلة للتحقق (RLVR) يضغط المسارات غير الصحيحة ويركز الاستدلال في خطوات أقل، بينما يعمل الضبط الدقيق الخاضع للإشراف (SFT) على توسيع المسارات الصحيحة وتوزيع الاستدلال عبر خطوات عديدة، مما يفسر النجاح المتكامل لنموذج التدريب المكون من مرحلتين الحالي.
تقدم هذه الورقة إطار تقييم مبتكر متوافق مع القدرة على التنبؤ يعتمد على التماسك الطيفي، ويتميز بمقاييس "تماسك القدرة على التنبؤ الطيفي" (SCP) و"نسبة الاستخدام الخطي" (LUR)، لمعالة أوجه القصور في المعايير القياسية من خلال قياس صعوبة البيانات وكشف أن فعالية النموذج تعتمد على القدرة المتأصلة للتنبؤ بالمهمة التنبؤية.
تقدم هذه الورقة نموذج لغة انحدار (RLM) موحداً وخفيف الوزن يستفيد من مشفر نموذج لغة كبير (LLM) مجمد للتنبؤ بدقة بمقاييس تنفيذ الكود المتنوعة — بما في ذلك بصمة الذاكرة، وزمن الاستجابة، والدقة — عبر لغات برمجة متعددة ومنصات أجهزة مختلفة، متفوقاً بذلك على النهج السابقة القائمة على هندسة الميزات والرسوم البيانية دون الحاجة إلى تخصيص خاص لكل مهمة.
تقترح الورقة البحثية SelfJudge، وهي طريقة تعلم ذاتي خارجي، تقوم بتدريب مُحقِّقين (judge verifiers) باستخدام النموذج المستهدف نفسه للتحقق من مرشحات فك التشفير التخميني بناءً على الحفاظ الدلالي، مما يتيح استنتاجاً أسرع وأكثر تعميماً لنماذج اللغات الكبيرة (LLMs) دون الاعتماد على التعليقات البشرية أو الحقائق الأرضية.
تُعد EAGer طريقةً لتوسيع نطاق الاستدلال أثناء وقت الاستنتاج، وهي خالية من التدريب ومعتمدة على الإنتروبيا، حيث تقوم بتخصيص الموارد الحسابية ديناميكيًا عبر تفرع مسارات الاستدلال فقط عند الرموز ذات عدم اليقين العالي، مما يقلل من استخدام الرموز بنسبة تصل إلى 64% مع تحسين أداء Pass@k بشكل كبير في اختبارات الاستدلال المعقدة.