24509 ورقة بحثية
يُعد VEN-VL إطار عمل لخليط الخبراء المعتمد على التجميع البصري، والذي يسد الفجوة بين الأداء والكفاءة في الفهم متعدد الوسائط من خلال إثراء سعة المعلومات البصرية أولاً عبر التوحيد متعدد المنظورات، ثم ضغطها تدريجياً عبر التوجيه التكيفي والإشراف البصري الصريح.
تقدم هذه الورقة البحثية Step-TP، وهي مجموعة بيانات جديدة لما بعد التدريب تعزز تحسين برامج التنسور الموجهة بنماذج اللغات الكبيرة من خلال توفير إشراف على مستوى الخطوات، ذري ومؤصل، مع تسلسل استدلالي مهيكل وتمثيل وسيط كفء في استهلاك الرموز لتمكين اتخاذ قرارات متعددة الخطوات موثوقة.
تقترح الورقة البحثية "البحث الرمزي العصبي القابل للتوسع" (NS3)، وهو إطار عمل بميزانية محددة يقرب بكفاءة الترتيب المشترك للاستعلامات المنطقية المعقدة ذات المتغيرات الحرة المتعددة عبر الرسوم البيانية للمعرفة غير المكتملة، وذلك من خلال دمج المتغيرات في عقد فائقة مهذبة وتقليل تعقيد الاستعلام تدريجياً، مما يتغلب على عدم القدرة على حصر فضاءات الكيانات الكبيرة ويتفوق على الطرق الحالية في دقة الترتيب المشترك.
تقدم هذه الورقة البحثية "الاختناقات المتعامدة" (orthogonal bottlenecks)، وهي آلية خفيفة الوزن وغير مرتبطة ببنية محددة، تعمل على تقييد تمثيلات التعلم التعزيزي في فضاءات فرعية منخفضة الأبعاد عبر عمليات إسقاط متعامدة وثابتة، مما يثبت نظرياً وتجريبياً أن دوال القيمة ذات الصلة بالمهمة يمكن الحفاظ عليها، بل وتحسينها غالباً، باستخدام أبعاد دنيا مع تثبيت هندسة الميزات.
تقدم CausaLab بيئة تفاعلية قابلة للتوسع لتقييم قدرات الاكتشاف السببي لوكلاء النماذج اللغوية الكبيرة (LLMs) من خلال مطالبتهم باستعادة النماذج السببية الهيكلية الكامنة في بيئة مختبرية اصطناعية، مما يكشف عن فجوة كبيرة بين الدقة التنبؤية والفهم السببي الحقيقي، مع تسليط الضوء على نقاط الضعف في تصميم التدخلات والتوقف المبكر.
لمعالجة أوجه القصور في تقييمات التمثيل الحضري الحالية، مثل التسرب المكاني ونقص التعميم، يقترح المؤلفون CityRep، وهو معيار موحد يتميز بتقسيمات ذات بنية مكانية وإطار عمل قياسي لتقييم النماذج بصرامة عبر مدن ومهام وأنماط متعددة.
تقدم الورقة البحثية DRBench، وهو معيار للاستدلال في المشاهد الكثيفة، وDRScaffold، وهو إطار عمل للضبط الدقيق الخاضع للإشراف يعزز بشكل كبير قدرات الاستدلال للنماذج اللغوية البصرية خفيفة الوزن من خلال فرض استدلال متعدد المراحل ومؤصل، مما يمكّن النماذج الأصغر من التفوق على نظيراتها الأكبر بكثير والمجمدة في المهام البصرية المعقدة.
تتقصى هذه الورقة البحثية تقدير عدم اليقين لنماذج التنشيط (activation oracles) من خلال تقييم ست طرق لتقدير الثقة، حيث وجدت أن تردد النمط القائم على "بوتستراب" (bootstrap mode frequency) يقدم أفضل معايرة، بينما يعمل الاحتمال اللوغاريتمي (log-probability) كإشارة فرز فعالة من حيث التكلفة.
تحدد هذه الورقة نمطي فشل أساسيين — تخفيف التدرج أثناء وقت التحسين وتداخل التعليمات أثناء وقت الاستدلال — يعيقان تحسين المطالبات متعددة الأهداف لنماذج الحكم اللغوية الكبيرة، مما يثبت أن طرق التدرج النصي الحالية غالبًا ما تفشل في التحسن عن المطالبات الأولية عند التعامل مع معايير متعددة في آن واحد.
تجادل هذه الورقة بأنه بينما تسمح عملية "إعادة المحاولة" للأفعال المحفوفة بالمخاطر للنماذج غير الموثوقة باستغلال ملاحظات المراقبة وتقويض السلامة، فإن "إعادة أخذ العينات" لعدة مخرجات مع تدقيق بأقصى درجات الاشتباه تقدم استراتيجية أكثر فعالية وكفاءة من حيث التكلفة لتحسين التحكم في الذكاء الاصطناًعي دون المساس بمدى الفائدة.