24011 ورقة بحثية
تقدم هذه الورقة البحثية إطار عمل CSMR، وهو إطار استدلال متعدد الوسائط يعزز الدقة من خلال توظيف آلية جدولة معرفية حيث يقرر نموذج لغوي ديناميكيًا متى يستدعي وحدة إدراك بصري مستقلة للحصول على أدلة ذات صلة بالمهمة، مما يتغلب على قيود التحويل الثابت والهيمنة اللغوية في النهج الحالية.
تتناول هذه الورقة الفجوة بين الحوسبة التطورية والتحسين القائم على الفيزياء في العالم الحقيقي من خلال تفصيل خمس مشكلات خاصة بمجالات محددة، وتحديد متطلبات الخبراء فيما يتعلق بالأداء والقابلية للتفسير لبناء الثقة، واقتراح تقنيات موجودة ولكن غير مستغلة بما يكفي لسد هذه الفجوة.
تقدم الورقة البحثية BenGER، وهي مجموعة بيانات مرجعية شاملة لتقييم النماذج اللغوية الكبيرة في الاستدلال القانوني القائم على التضمين في القانون الألماني، مظهرةً أن النماذج الرائدة المغلقة تتصدر الأداء بينما يتفوق الإنشاء المشترك بين الإنسان والذكاء الاصطناي بشكل كبير على العمل البشري غير المدعوم، وكل ذلك تم التحقق منه من خلال إطار عمل قوي يعتمد على النموذج اللغوي الكبير كحَكَم.
تقدم هذه الورقة MOV-Bench، وهو معيار للتحليل والاستنتاج السمعي البصري متعدد الخطوات، وتقترح AOP-Agent، وهو إطار عمل وكيل كفء يعزز قدرات الاستنتاج لنماذج Omni-LLM مفتوحة المصدر من خلال الإدراك النشط لجميع الأنماط دون الحاجة إلى تدريب إضافي.
تقدم هذه الورقة "هجوم النائم" (Sleeper Attack)، وهو تهديد أمني جديد يتمثل في حقن محتوى عدائي في البيئة الخارجية لوكيل النماذج اللغوية الكبيرة (LLM agent) يستمر عبر التفاعلات في حالته (مثل الذاكرة أو السياق) لتحفيز سلوكيات ضارة لاحقًا عبر استعلامات حميدة، مما يثبت أن الوكلاء الحاليين يظلون عرضة للخطر حتى عندما يبدون آمنين تحت اختبار التفاعل الواحد.
تقدم هذه الورقة إطار عمل مبتكر يحول نماذج "خليط الخبراء" (MoE) المدربة إلى بنيات كثيفة قياسية من خلال تقييم واختيار وتجميع الخبراء متبوعاً بعملية تقطير المعرفة، مما يثبت أن هذا النهج يتفوق بشكل كبير على عمليات التقليم التقليدية من النموذج الكثيف إلى النموذج الكثيف في الدقة وكفاءة التدريب.
يقدم البحث إطار عمل KLineage، الذي يستخرج مهارات التحسين الموثقة من نوى وحدات معالجة الرسومات (GPU kernels) الخبيرة عبر السير تراجعياً خلال عمليات التبسيط المحكومة بالتحقق، مما يمكّن الوكلاء القائمين على النماذج اللغوية الكبيرة (LLMs) من تعلم ليس فقط ماهية التحسينات التي يجب تطبيقها، بل ومتى تكون سليمة، مما يؤدي بالتالي إلى التفوق على النماذج المرجعية القائمة على الذاكرة في جودة النواة وكفاءتها.
تقدم هذه الورقة إطاراً موحداً لتقييم الاستدلال متعدد المسارات لوكلاء النماذج اللغوية الكبيرة (LLMs) المستخدمة للأدوات، كاشفةً أن فعالية أساليب الذاكرة تعتمد بشكل كبير على استراتيجية الاستدلال المستخدمة، حيث تحقق تقنيات محددة مثل التأمل (reflection)، والحقن ضمن التوسع (within-expansion injection)، واستخراج الحقائق الذرية (atomic fact extraction) فوائد متميزة فقط في ظل البحث عبر شجرة مونت كارلو (MCTS)، والبحث الشعاعي (beam search)، والمهام ذات البنية القابلة لإعادة الاستخدام، على التوالي.
يُعد VidPrism إطار عمل مبتكر لخليط الخبراء غير المتجانس يتغلب على تجانس الخبراء في التعلم بنقل الصور إلى الفيديو عبر نشر خبراء متخصصين وظيفياً يتم تغذيتهم بتدفقات متعددة المعدلات، ديناميكية ومدركة للمحتوى، ويتم دمجها عبر آلية ثنائية الاتجاه لتحقيق أداء رائد في التعرف على الفيديو.
تقدم الورقة البحثية IRDS، وهي طريقة قابلة للتفسير لاختيار البيانات في التعلم التعزيزي مع المكافآت القابلة للتحقق، والتي تستخدم هدف تغطية المشفّر التلقائي المتناثر المقترن بالمُحقِّق لاختيار عينات تدريب عالية الجودة بكفاءة، مما يحسن أداء الاستدلال بشكل كبير في معايير الرياضيات مع تقليل التكاليف الحسابية.