24627 ورقة بحثية
تقدم هذه الورقة البحثية استراتيجية التنبؤ متعدد العقد الاستباقي (MnLP)، وهي استراتيجية تدريب مبتكرة تعزز سياسات التوجيه العصبية من خلال التنبؤ بعدة عقد مستقبلية في آن واحد أثناء التدريب للتغلب على اتخاذ القرارات القاصر وتحسين التخطيط طويل المدى دون تكبد أعباء إضافية عند الاستنتاج.
يقدم البحث نظام PerfEvolve، الذي ينقل ضبط قواعد البيانات من التوثيق الساكن إلى إجراءات ديناميكية مدفوعة بالنماذج اللغوية الكبيرة عبر ترجمة منهجيات الخبراء إلى مهارات قابلة للتنفيذ، محققاً تحسينات في الأداء تصل إلى 35.2% مقارنة بالنماذج المرجعية المتطورة على PostgreSQL.
تجادل هذه الورقة بأن مجموعات بيانات اختبار النماذج اللغوية الكبيرة يجب إعادة تصميمها لتكون مقاومة للتلوث —بما يجعلها غير قابلة للتعلم أثناء التدريب مع بقائها قابلة للحل أثناء الاستنتاج— وذلك عبر الاستفادة من التباينات الهيكلية والتقدم الرياضي لضمان تقييم موثوق وقابل للتكرار للنماذج.
تقدم هذه الورقة إطاراً احتمالياً جديداً يعتمد على "بايزي المزدوج" (double-Bayesian) يشتق نظرياً معدل تعلم أمثلي لعملية الانحدار الاشتقاقي العشوائي، مبرهنةً من خلال تجارب مكثفة أن هذا النهج يعزز بفعالية تدريب الشبكات العصبية عبر مهام متنوعة.
تتحدى هذه الورقة الافتراض القائل بأن "المهارات" الإجرائية تعزز أداء وكلاء النماذج اللغوية الكبيرة (LLMs) بشكل عالمي، وذلك من خلال إثبات أن إضافة مثل هذه المهارات في بيئات الأمن السيبراني الهجومية ذات التغذية الراجعة للأدوات عالية النطاق الترددي والمحققة وفق مخطط هيكلي (schema-validated)، توفر فائدة ضئيلة أو حتى تؤدي إلى تدهور الأداء لأن البيئة نفسها توفر إشارات التصحيح اللازمة.
يُعد PromptRad إطار عمل لضبط المطالبات معززاً بالمعرفة، حيث يعيد صياغة وسم تقارير الأشعة كنمذجة لغة مقنعة باستخدام مرادفات UMLS، مما يتيح تصنيفاً عالي الأداء متعدد الملصقات بأقل قدر من البيانات الموسومة عبر التفوق على طرق الضبط الدقيق التقليدية والطرق القائمة على القواميس.
تقدم هذه الورقة نهجاً معززاً قائماً على الوكلاء ومتعدد المستويات لاستعادة البنى البرمجية الهرمية في أنظمة ROS 2 المعقدة والواقعية، وذلك عبر استخدام صياغة مطورة للمطالبات لنماذج اللغات الكبيرة (LLM) واستراتيجية استعادة مرحلية للتغلب على قيود الطرق الحالية القائمة على مستوى العقدة.
تكشف هذه الورقة أن وكلاء النماذج اللغوية الكبيرة المتجسدة التي تحل الألغاز الميكانيكية يمكنهم، على نحو مفارق، تحقيق معدلات نجاح أعلى باستخدام مدخلات حسية ذات دقة أقل أو ضجيج إدراكي متوسط، حيث تساعد هذه العيوب في كسر حلقات الحركة المتكررة وحجب إخفاقات الاستدلال، مما يتحدى الافتراض بأن الملاحظة المثالية تؤدي دائمًا إلى الأداء الأمثل.
يُعد CopT إطار عمل استدلالي لا يتطلب تدريباً، حيث يعكس نموذج "سلسلة الأفكو" التقليدي عبر توليد إجابة مسودة أولاً، ثم توظيف أدوات تحقق تباينية في الفضاء المستمر لتفعيل التأمل الذاتي المعتمد على السياسة (on-policy reflection) ديناميكياً عند الضرورة فقط، مما يؤدي إلى تحسين الدقة بشكل كبير وتقليل تكاليف الرموز (tokens) عبر مهام استدلالية متنوعة.
تقدم هذه الورقة EvoTrace، وهي مجموعة بيانات لآثار الترميز التطوري، وEvoReplay، وهي منهجية قائمة على إعادة التشغيل، لتكشف أن مكاسب الأداء في وكلاء الترميز التطوري غالبًا ما تنبع من آليات متنوعة مثل إعادة الضبط أو إعادة استخدام المعرفة الموجودة بدلاً من الابتكار الخوارزمي الحقيقي، وهو ما يستدل عليه من خلال التكرار الحتمي المتكرر لأسطر الكود.