23941 ورقة بحثية
تستعرض هذه الدراسة المسحية بشكل منهجي كيف تعالج نماذج "خليط الخبراء" (MoE) تحديات التعلم متعدد الوسائط من خلال عملها كمحرك كفء، ومتعلم للتمثيلات، ومحول مرن، مع تحديد الفجوات البحثية الحرجة لتوجيه التطوير المستقبلي لأنظمة متعددة الوسائط قابلة للتفسير ومستدامة.
يُعد FD-RAG إطار عمل نظام ثنائي اتحادي يعزز التوليد المعزز بالاسترجاع القائم على الحافة من خلال فصل مطابقة الذاكرة خفيفة الوزن عن الاستدلال اللغوي الكبير (LLM) عند الطلب، مما يحسن الدقة ويقلل زمن الاستجابة مع الحفاظ على خصوصية البيانات من خلال تجميع الذكريات الدلالية مجهولة المصدر.
تقدم هذه الورقة أول تحليل على مستوى المراحل لاستنتاج النماذج اللغوية الكبيرة (LLM) على الهواتف المحمولة عبر الأنظمة على شرائح (SoCs) غير المتجانسة التي تجمع بين وحدة المعالجة المركزية (CPU) ووحدة المعالجة العصبية (NPU)، كاشفةً أن وحدات المعالجة العصبية غالباً ما تفشل في التفوق على وحدات المعالجة المركزية في مراحل التعبئة المسبقة (prefill) كثيفة الحوسبة، بل ويمكنها حتى زيادة استهلاك الطاقة، مما يتحدى الافتراض القائل بالتسريع الشامل لوحدات المعالجة العصبية ويقدم إرشادات تصميمية جديدة للاستنتاج على الأجهزة.
تؤكد دراسة إعادة الإنتاج هذه أن محاذاة الثلاثيات الهندسية في إطار عمل TRIANGLE تُحسن بشكل كبير أداء الاسترجاع متعدد الوسائط بنمط "التعلم الصفري" مقارنة بالنماذج المرجعية الثنائية، بينما تكشف أيضاً عن عدم استقرار حرج في التحسين عند التدريب من الصفر ومقايضات التعميم المعتمدة على النطاق.
تدقق هذه الورقة ٣٧,٠٠٠ عملية توصية من عمليات الذكاء الاصطناعي لتكشف أن أنماط الفشل في أنظمة الاسترجاع المعزز تجارياً تتباين بشكل كبير حسب بروز العلامة التجارية، حيث تعاني العلامات التجارية رفيعة المستوى من صعوبة في التمايز بدلاً من الرؤية، وتواجه العلامات التجارية متوسطة المستوى ذروة الاستبدال بوساطة الشخصية، بينما تعاني العلامات التجارية منخفضة المستوى من انعدام الرؤية الكارثي، مما يثبت أن استراتيجيات تحسين التسويق يجب أن تُصمم لتناسب الموقع المحدد للعلامة التجارية على سلم البروز.
تُثبت هذه الورقة أن أنظمة التوصية بالذكاء الاصطناي التجاري تُظهر هشاشة شديدة تجاه إعادة الصياغة، حيث تؤدي إعادة صياغة طفيفة لنفس نية المشتري إلى تغيير جذري في ظهور العلامة التجارية، مما يجعل مقاييس التتبع الحالية القائمة على الأوامر النصية غير مستقرة هيكلياً وغير موثوقة لقياس أداء العلامة التجارية المدفوع بالذكاء الاصطناعي.
تقيم هذه الورقة بشكل منهجي مسارات التوليد المعزز بالاسترجاع (RAG) المقترنة بالنماذج اللغوية الكبيرة لإثبات فعاليتها في تعزيز الوصول إلى المعرفة، والدقة، ودعم اتخاذ القرار للعمليات الفضائية المعقدة من خلال معالجة تحديات إدارة الوثائق التقنية الضخمة وغير المتجانسة.
تقدم هذه الورقة AgensFlow، وهو إطار عمل مفتوح المصدر يعامل تنسيق الوكلاء المتعددين كمسألة تعلم سياسة عبر الإنترنت في ظل قابلية الملاحظة الجزئية، مبرهناً أن التوجيه المتعلم والقابل للتدقيق يتفوق على المسارات الثابتة في سير العمل المعقد من خلال التحسين الديناميكي للقرارات المتعلقة بالمهارات، والأدوار، والنماذج، والطبولوجيا.
تقترح الورقة البحثية SignGAD، وهو إطار عمل مبتكر يعالج أوجه القصور في خطوط المعالجة الثابتة وضعف الأدلة في اكتشاف الشذوذ في الرسوم البيانية ببيانات قليلة، وذلك عبر إعادة صياغة المهمة كتدفق عمل وكيل ذاتي التصميم يختار ديناميكياً أفضل عمليات الترميز وأجهزة الكشف مع توظيف استراتيجية إعادة ضبط مُحرسة لضمان الموثوقية في ظل الإشراف المحدود.
تقترح هذه الورقة طريقة للتحكم في المقايضة بين الدقة والتنوع في نماذج الانتشار من خلال توصيف انتباه المحول كذاكرة ترابطية، وتفكيكه إلى مكونات متماثلة وغير متماثلة اشتقاقياً لاستخلاص مقاييس استقرار على طراز هوبفيلد، وتعديل الدوران غير المتماثل اشتقاقياً لموازنة جودة التوليد وتنوعه.