24055 ورقة بحثية
تُقيّم هذه الحالة الدراسية وكيل ذكاء اصطناعي مستمرًا مدمجًا في بيئة بحث أكاديمي ذات باحث واحد على مدار 96 يومًا، مما يكشف أن مثل هذه الأنظمة تعتمد بشكل أساسي على الذاكرة المخبئية (cache-dominant)، ويقترح تحولًا في التقييم الاقتصادي من التكلفة لكل رمز (token) إلى التكلفة لكل منتج نهائي مكتمل.
تثبت هذه الورقة أن استبدال مخازن المستندات المسطحة بطبقة معرفية مهيكلة يعزز بشكل كبير عمليات الأصول الصناعية القائمة على النماذج اللغوية الكبيرة من دقة 65% إلى دقة تقارب الكمال، وذلك عبر تحويل دور النموذج اللغوي من الاستنتاج بناءً على البيانات الخام إلى توليد استعلامات حتمية مقابل مخطط نمطي.
تقيم هذه الورقة أربع استراتيجيات للتلقين عبر 13 نموذجاً من النماذج اللغوية الكبيرة في 164 تحدياً بلغة جافا لتحديد أفضل طريقة لتوجيهها في تنفيذ نمط التصميم "Singleton"، حيث وجدت أن التغذية الراجعة الثنائية التكرارية هي المثلى بشكل عام، بينما يمكن للنهج القائم على التعليمات المحددة أن يحقق التزاماً شبه مثالي بالنمط ويحسن وظائف الكود بشكل كبير اعتماداً على النموذج.
تصحح هذه الورقة البحثية خللاً جوهرياً في الخوارزمية الرائدة المتبعة حالياً للكشف عن العوامل التبادلية في الرسوم البيانية للعوامل، وذلك من خلال إثبات أن النظرية المركزية القائمة توفر شرطاً ضرورياً فقط وليس كافياً، ومن ثم تقدم خوارزمية مصححة تضمن الكفاءة والصحة معاً.
تقدم الورقة البحثية EEG-FM-Audit، وهو مسار تقييم منهجي يتكون من معايير قياسية مدفوعة بـ ASHA، واختبار استئصال على مستوى النموذج، وسبر أغوار فيزيولوجي عصبي لمعالجة قضايا الشفافية في النماذج التأسيسية لـ EEG، كاشفةً أن النماذج المرجعية الخاضعة للإشراف والمُحسّنة غالباً ما تفوق هذه النماذج أداءً مع توفير رؤى أعمق حول اعتمادها على السمات الفيزيولوجية.
تقدم هذه الورقة بيئة اصطناعية محكومة لدراسة التعلم المعزز بمكافآت قابلة للتحقق (RLVR) عبر بُعدين من صعوبة الاستدلال (العمق والتعقيد) وأربع عائلات استدلالية، مما يكشف أن التغطية المشتركة لهذه العوامل والخلط الموحد للبيانات يتفوقان على النهج أحادي المحور أو النهج المرحلي، مع تسليط الضوء في الوقت ذاته على عدم تماثل مستمر يميل نحو الاستنتاج على حساب الاستنباط في النماذج الحالية.
تقدم هذه الورقة البحثية "ما وراء الأسئلة" (BeQu)، وهو نموذج تقييم جديد للمعرفة المفتوحة يقيم النماذج اللغوية الكبيرة بناءً على المعرفة التي تعبر عنها بشكل طبيعي من خلال الاستدلال المفتوح بدلاً من الأسئلة المحددة مسبقاً، مما يكشف عن رؤى هامة حول قدرات النماذج عبر عوامل مختلفة مثل الحجم وجهد الاستدلال.
تقترح هذه الورقة بنية تحقق هجينة عصبية-رمزية تجمع بين الاستدلال المنطقي الصوري والتحليل الدلالي العصبي للكشف بفعالية عن الهلوسة وضمان الموثوقية في المحتوى الذي تولده النماذج اللغوية الكبيرة للمجالات عالية المخاطر والحساسة للبيانات، كما تم التحقق من ذلك من خلال انخفاض بنسبة 30% في وقت إنشاء التقارير ومعدلات كشف عالية في نظام تقييم أجهزة طبية في العالم الحقيقي.
تقدم الورقة البحثية JuICE، وهي مجموعة بيانات مرجعية متعددة اللغات مصممة لتقييم حدود النماذج اللغوية الكبيرة المستخدمة كحكام في اكتشاف الأخطاء الثقافية الدقيقة والمنبثقة عن السياق، مما يكشف عن عجز النماذج الحالية عن تحديد الفروق الثقافية "العميقة" التي يدركها المتحدثون الأصليون بسهولة.
تقدم الورقة البحثية "Recon"، وهي طريقة تعمل على تحسين نمذجة المستخدم من خلال تقييم وتوليف مسارات الاستدلال بناءً على قدرتها على إعادة البناء التنبؤي لأفعال المستخدم، وبذلك تتجاوز التبرير اللاحق غير الفعال لتلتقط مسارات القرار السببية الحقيقية.