23087 ورقة بحثية
يُعد CAT-GS متحكماً مبتكراً في التحسين يعمل على تثبيت التدريب متعدد الوسائط من البداية إلى النهاية ويخفف من عدم توازن الوسائط، وعدم استقرار البوابات، وتداخل الاندماج من خلال تقدير الموثوقية المعاير، وسياسات البوابات التكيفية، وجراحة التدرج الخاصة بالاندماج دون تغيير بنيات النماذج.
تُثبت هذه الورقة أن "ضريبة اللهجة" —وهي فجوات الأداء المنهجية بين اللغة الإنجليزية الأمريكية القياسية واللهجات الأخرى في النماذج اللغوية— لا تنتج عن مرحلة واحدة، بل تتراكم طوال مسار النمذجة بأكمله، بدءاً من التجزئة (tokenization) والتدريب المسبق، وصولاً إلى ما بعد التدريب والاستدلال.
تكشف هذه الورقة أن أكواد "أنسيبل" (Ansible) المُولدة بواسطة الذكاء الاصطناعي تحتوي بطبيعتها على ثغرات أمنية، لكنها تُثبت أن دمج المعايير المرجعية الأمنية في الأوامر (prompts) عبر إطار عمل "CO-STAR" الموسع يمكن أن يحسن الامتثال وجودة الكود بشكل كبير، حيث حققت النماذج الرائدة معايير أمنية شبه مثالية دون الحاجة إلى إعادة التدريب.
يُقيّم اختبار FrontierChallenge أوجه القصور في النماذج الأمامية للذكاء الاصطناعي الحالية في تنفيذ سير العمل العلمي من البداية إلى النهاية عبر ستة مجالات، كاشفاً أن حتى الوكلاء عاليي الأداء يحققون معدلات منخفضة في الإكمال الكامل وغالباً ما يدعون نجاح المهمة رغم عدم اكتمال المخرجات.
تُثبت هذه الورقة التكافؤ الدلالي بين نماذج (s,a)-rectangular Robust POMDPs ذات مجموعات عدم اليقين متعددة الأوجه وبين الألعاب العشوائية جزئية الملاحظة (Partially Observable Stochastic Games) تحت أهداف أوميغا المنتظمة عبر اختزالات ثنائية الاتجاه، مما يتيح اشتقاق حدود تعقيد حسابي جديدة لحل مشكلات اتخاذ القرار القوية هذه.
تقدم هذه الورقة مقدمة في الدلالات الحاسوبية من خلال استكشاف النظريات الصورية، والمُجذّرة، والتوزيعية للمعنى لمساعدة القراء على فهم كيفية تعلم النماذج اللغوية القائمة على المحولات للغة وتمثيلها مقارنة بالبشر.
تقدم هذه الورقة نظاماً لربط المنتجات يتسم بالقابلية للتوسع وكفاءة التكلفة، حيث يستخدم بنية متتالية (cascade architecture) يقوم فيها مشفر تقاطعي مُقطّر (distilled cross-encoder) بحل المطابقات عالية الثقة، بينما يتولى نموذج رؤية-لغة وكيلِيّ (agentic vision-language model) معالجة الحالات الغامضة، مما يؤدي إلى تعظيم التغطية مع تقليل التكاليف الحسابية ومتطلبات التوسيم البشري إلى أدنى حد.
تقدم هذه الورقة إطار عمل (ARISMA)، وهو إطار توجيهي شامل يضع المبادئ، وتصنيف دورة الحياة، ومعايير الإبلاغ لدمج الذكاء الاصطناعي والنماذج اللغوية الكبيرة كمساعدين قابلين للتدقيق وخاضعين للإشراف البشري في المراجعات المنهجية، والمراجعات النطاقية، ودراسات المسح لضمان الدقة المنهجية والمساءلة.
تقترح الورقة البحثية SPECTRA، وهو إطار عمل للتصنيف الصوتي التزايدي للفئات في ظل ظروف التعلم بلقطات قليلة بالكامل، والذي يجمع بين مُوائم قابل للتدريب، وإعادة عرض الميزات في الفضاء الجزئي، والنقل الأمثل الاستدلالي لتحسين الدقة بشكل كبير وتقليل النسيان مقارنة بالطرق الحالية المتطورة.
إن FLINT هو ركيزة مدفوعة بحجم العمل تعمل على تسريع استنتاج النماذج اللغوية الكبيرة (LLM) القابل للتوسع في السعة عبر الذاكرة الومضية عالية النطاق (HBF) من خلال إدخال وحدة تحكم في التخزين المؤقت المتفجر للأجهزة، وآلية تحديث المستوى الوهمي، وطبقة ترجمة ملفات للقراءة فقط (FTL) للتغلب على تحديات زمن الاستجابة، وتداخل المسار الحرج، والأعباء الإدارية.