24055 ورقة بحثية
تقترح هذه الورقة طريقة PANDA، وهي طريقة تدرج سياسة من الدرجة الأولى تعتمد على الجزاء، تحل بكفاءة مشكلات الأمثلة ثنائية المستوى حيث يكون المستوى الأدنى عبارة عن لعبة ماركوف صفرية المجموع، محققةً التقارب إلى النقاط الثابتة بتعقيد عينة أمثل دون الحاجة إلى معلومات من الدرجة الثانية أو افتراضات التحدب.
تحدد هذه الورقة وتفكك نمطي فشل متعامدين —الإنجاز والوصول إلى الأمثلية— في طرق تدرج السياسة للمشكلات ذات الأفق الطويل والمتعلقة بالتراكم الضار، وتثبت من خلال التحقق التجريبي في محاكاة بناء الطوب ومسيرة لاعب كرة السلة في الدوري الأمريكي للمحترفين أنه بينما تتيح قيود فضاء العمل إمكانية إنجاز المهمة، إلا أنها غالبًا ما تترك فجوة كبيرة في الأمثلية ناتجة عن الالتزامات الجشعة المبكرة.
تقترح هذه الورقة إطار عمل عبر الإنترنت يعتمد على الإشراف الزائف، والذي يتعلم النماذج الأولية للفئات المرئية من بيانات الاختبار غير المصنفة لسد الفجوة الجوهرية بين الأنماط بين التمثيلات النصية والمرئية، مما يحقق أفضل النتائج في الكشف اللاحق عن البيانات الخارجة عن التوزيع دون الحاجة إلى بيانات تدريب ضمن التوزيع.
تُثبت هذه الورقة أن استخدام المعايير المجمعة للكشف عن النصوص المُنشأة بواسطة الذكاء الاصطناعي في الكتابة الأكاديمية يُدخل تحيزات كبيرة عبر مختلف الدول والمجالات، وتجادل بأن المعايير الخاصة بالسياق ضرورية للتقييم الدقيق والعادل.
تقدم هذه الورقة MemFail، وهو معيار تشخيصي يفكك أنظمة ذاكرة النماذج اللغوية الكبيرة إلى عمليات التلخيص، والتخزين، والاسترجاع لعزل وتقييم أوضاع فشل محددة، متجاوزاً بذلك مقاييس الدقة الإجمالية لتقديم رؤى دقيقة حول مفاضلات تصميم النظام.
يُعد DynFrame إطار عمل متعدد الوسائط وتكيفي يقدم كثافة أخذ عينات إطارية مرمزة وقابلة للتعلم واستراتيجية تدريب GRPO مفككة القطع، لتمكين استرجاع أدلة الفيديو متعددة التدرج بكفاءة وتعيين دقيق للمسؤولية، محققاً أداءً هو الأفضل في فئته في فهم الفيديو المعقد.
تقدم الورقة البحثية SILO، وهو إطار عمل للتقليد ذاتي التحسين على مستوى المسار يجمع بين سياسات التحرير الهرمية، والبحث الشعاعي العشوائي، ودرجة لياقة مسح الألانين لتحقيق تحسين فائق لتسلسل البروتين في ظل ميزانيات أوراكل ضيقة مقارنة بالنماذج المرجعية القائمة على التعلم المعزز والنماذج التوليدية.
تقدم هذه الورقة البحثية \texttt{CUDAnalyst}، وهو إطار تحليل موحد يعزل ويعزو تأثير إشارات التغذية الراجعة غير المتجانسة على قرارات التخطيط في وكلاء النماذج اللغوية الكبيرة (LLMs) ذاتية التطور لتوليد نوى CUDA، كاشفاً أن التخطيط الصريح يكون مفيداً فقط عندما تكون التغذية الراجعة متوافقة وأن التخطيط الفعال ينبثق من تفاعلات متعددة الهياكل بين التغذية الراجعة.
تُفند هذه الورقة الافتراض القائل بأن تعقيد أدوات التقييم الأمثل يتناقص رتيباً مع قدرة النموذج، حيث كشفت من خلال تجربة مكونة من 432 تشغيلاً أن حساسية أدوات التقييم غير رتيبة وتعتمد بشكل حاسم على نوع النموذج، إذ تعيق الهياكل الإسهابية نماذج الدردشة الرائدة بينما تفيد التوجيهات الصارمة نماذج الاستدلال الرائدة.
تقدم الورقة البحثية STARS، وهو إطار تدريب يعمل على تثبيت الديناميكيات المتكررة في النماذج اللغوية الحلقية (Looped Language Models) عبر تقييد الحالات الكامنة بنقاط ثابتة مستقرة تقاربيًا من خلال تنظيم نصف قطر الطيف لجاكوبي (Jacobian Spectral Radius Regularization)، مما يتيح توسيع النطاق الموثوق أثناء وقت الاختبار وتحسين الأداء في مهام الاستدلال المعقدة.