24097 ورقة بحثية
تقدم هذه الورقة البحثية "المشغلات العصبية الخالية من الانحدار الذاتي" (AFNO)، وهي إطار عمل مبتكر يقوم بخرائط المعادلات التفاضلية الجزئية المعتمدة على الزمن إلى فضاء كامن، ويستخدم مطابقة التدفق لنمذجة حقول المتجهات المستمرة زمنياً، مما يلغي التوليد التكراري بالانحدار الذاتي لتحقيق تنبؤات مستقرة طويلة الأمد مع تقليل تراكم الخطأ.
تُقيّم هذه الورقة أربعة نماذج لغوية مفتوحة الأوزان باستخدام معيار SomaliBench v0 الذي تم التحقق منه من قبل مؤلفين أصليين، وتكشف عن فجوات كبيرة في رفض السلامة بين الإنجليزية والصومالية، حيث تفشل النماذج بشكل متكرر في رفض المطالبات الضارة باللغة الصومالية بسبب مخرجات غير مترابطة أو بلغة خاطئة بدلاً من الامتثال الضار بطلاقة.
تُثبت هذه الورقة أن تدريب نماذج الرؤية واللغة على الإشارة عبر النص يستحث آلية بحث بصري تسلسلي داخلي تحل مشكلة الربط بفعالية، وتزيل أخطاء ربط السمات، وتمكّن من التعميم التركيبي في المشاهد متعددة الكائنات.
إنَّ CODESKILL هو إطار عمل قائم على التعلم المعزز يتعلم كيفية استخراج وتطوير وصيانة بنك مدمج من المهارات الإجرائية متعددة المستويات من مسارات وكلاء البرمجة، مما يحسن بشكل كبير أداء المهام اللاحقة في اختبارات معيارية مثل SWE-Bench Verified مقارنة بالأساليب القائمة على التلقين أو الذاكرة.
تقدم هذه الورقة إطار عمل مكوناً من مرحلتين ومتعدد الوكلاء يعتمد على النماذج اللغوية الكبيرة (LLM) لاكتشاف معايير قابلة للتفسير لجودة التغذية الراجعة الجراحية لتقييم تفاعلات غرف العمليات المباشرة تلقائياً، مما يظهر أداءً فائقاً على الطرق السابقة في التنبؤ بفعالية التغذية الراجعة والتعديلات السلوكية للمتدربين.
تُظهر هذه الورقة أن النماذج اللغوية التي خضعت للتدريب اللاحق تدرك ضمنيًا توليداتها الخاصة بالسياسة المتبعة من خلال انخفاض اعتلاج المخرجات الناتج عن تتبع المفاجأة الداخلي، بينما تمتلك أيضًا القدرة المتميزة على التعبير الصريح عن هذا الإدراك عبر آلية منفصلة.
يعالج IndexMem مشكلة عنق الزجاجة في ذاكرة التخزين المؤقت لمفاتيح وقيم (KV-cache) أثناء استنتاج النماذج اللغوية الكبيرة ذات السياق الطويل، وذلك عبر الجمع بين فهرس قابل للتعلم لاستبعاد الرموز بدقة ووحدة ذاكرة كامنة خفيفة الوزن تحافظ على المعلومات المستبعدة، مما يؤدي إلى تحسين الأداء والاستقرار بشكل كبير عبر مختلف النماذج والمعايير.
يُعد EXPO-FT نظاماً مبتكراً يتيح ضبطاً دقيقاً مستقراً وعالي الكفاءة في استهلاك العينات لتعلم تعزيز النماذج الرؤية-اللغة-الفعل (Vision-Language-Action) سابقة التدريب، محققاً معدلات نجاح مثالية في مهام المناولة المعقدة باستخدام حد أدنى من بيانات الروبوت عبر الإنترنت.
تقدم هذه الورقة معياراً مرجعياً اصطناعياً منضبطاً لتحليل المشاعر القائم على الجوانب في المجال التعليمي، يتكون من 10,000 مراجعة دورات تم إنشاؤها بدقة وفق مخطط مكون من 20 جانباً، وذلك لمعالجة ندرة البيانات المصنفة العامة وتوفير بيئة قابلة للتكرار لتقييم النماذج التي تظهر أداءً واعداً، وإن كان مليئاً بالتحديات، على كل من الملاحظات الاصطناعية والواقعية.
تقترح هذه الورقة تحسين الاستدلال في النماذج اللغوية من خلال "تحسين السياسة بالاستعادة العشوائية" (RRPO) و"تحسين السياسة بالاستعادة الذاتية" (SRPO)، وذلك عبر تمكين التخصيص الدقيق للمسؤولية من خلال الاستعادة إلى حالات وسيطة وإعادة أخذ عينات للتكملات، حيث يحقق SRPO أداءً فائقاً من خلال تحديد الأخطاء وتصحيحها ذاتياً دون إشراف خارجي.