24832 ورقة بحثية
تقدم هذه الورقة البحثية KASER، وهو نهج جديد قائم على التعلم التعزيزي يعمل على مواءمة توليد الأخطاء مع معرفة الطالب لمحاكاة أخطاء برمجية متنوعة ودقيقة بفعالية، متفوقاً بذلك على النماذج المرجعية الحالية في كل من التنبؤ بالأخطاء وتنوع الكود البرمجي في مجموعات البيانات الواقعية.
تقدم الورقة البحثية إطار عمل DoublyCal، الذي يعزز دقة وموثوقية النماذج اللغوية الكبيرة (LLMs) ذات الصندوق الأسود من خلال توظيف نموذج وكيل خفيف الوزن لتوليد أدلة من الرسوم البيانية للمعرفة ذات ثقة مُعايرة، مما يمكّن النموذج اللغوي الكبير من إنتاج تنبؤات مُعايرة جيداً تعود في أصلها إلى عدم اليقين في الأدلة الداعمة.
تقترح هذه الورقة إطار عمل لإدارة دورة حياة الوكيل الموحدة (UALM)، يتميز ببنية مستوية لخطة التحكم مكونة من خمس طبقات ونموذج نضج، وذلك لمعالجة تحديات انتشار الوكلاء والمساءلة في مجال الرعاية الصحية من خلال تمكين الإشراف الجاهز للتدقيق والتوسع الآمن لسير عمل الذكاء الاصطناعي الوكيل.
تكشف هذه الدراسة أن مبرهنات "لين" (Lean) التي تم تدريبها باستخدام التعلم التعزيزي تعاني من انهيار النمط أثناء وقت الاستدلال، وهو ما يمكن التخفيف من حدته بفعالية عبر تطبيق جدول زمني ثابت من هياكل التكتيكات المتنوعة لاستعادة مكاسب كبيرة في الأداء، في حين ثبت أن إعادة صياغة المطالبات والتعليقات غير ذات الصلة غير فعالة أو ضارة.
تُعد PyHealth 2.0 مجموعة أدوات محسنة مفتوحة المصدر تعمل على دمقرطة أبحاث التعلم العميق السريري من خلال توحيد مجموعات البيانات والنماذج والمهام المتنوعة في إطار عمل واحد عالي الكفاءة يتيح النمذجة التنبؤية في سبعة أسطر من الكود البرمدي فقط، مع تقليل التكاليف الحسابية وحواجز الخبرة في هذا المجال بشكل كبير.
تقدم هذه الورقة TABROUGE، وهو مقياس مكافأة حتمي لا يتطلب تدريباً يعتمد على أطول سلسلة فرعية مشتركة، وإطار عمل RE-TAB لتعزيز دقة استدلال النماذج اللغوية الكبيرة على الجداول متعدد الخطوات بشكل كبير من خلال توفير تغذية راجعة قابلة للتوسع ومستندة إلى الاستعلام للحالات المتوسطة دون الاعتماد على نماذج متعلمة أو منفذين خارجيين.
تقترح الورقة البحثية إطار عمل LaDi-RL، وهو إطار للتعلم المعزز يستخدم نماذج الانتشار الكامن لتوليد مسارات استدلال مهيكلة، ويستخدم عمليات تدحرج نصية كامنة هرمية لفصل جودة التخطيط الكامن عن أخطاء فك التشفيد النصي، مما يمنع انهيار الإنتروبيا ويتفوق بشكل كبير على التعلم المعزز التقليدي القائم على مستوى الرمز (token-level) في مهام الاستدلال البرمجي والرياضي.
تقدم هذه الورقة البحثية "بحث البيانات العميق" (DDR) ومعياره المرجعي المقابل، DDR-Bench، لتقييم الذكاء الاستقصائي للنماذج اللغوية الكبيرة الوكيلية في استخراج الرؤى ذاتياً من البيانات الخام، كاشفةً أنه بينما تُظهر النماذج الرائدة وكالة ناشئة، فإن الاستكشاف الفعال طويل الأمد يتطلب استراتيجيات جوهرية تتجاوز مجرد التوسع أو الهيكلة.
تقدم هذه الورقة CVE-Factory، وهو إطار عمل متعدد الوكلاء يقوم تلقائيًا بتحويل بيانات CVE الوصفية المتفرقة إلى مهام أمنية عالية الجودة وقابلة للتنفيذ لإنشاء معيار LiveCVEBench ومجموعة بيانات تدريب واسعة النطاق، مما يحسن بشكل كبير قدرات اكتشاف الثغرات الأمنية لوكلاء الكود.
تحدد هذه الورقة البحثية ظاهرة "القصور الذاتي الحواري" في وكلاء النماذج اللغوية الكبيرة متعددة الدورات، حيث تحاكي النماذج استجاباتها السابقة بشكل خاطئ، وتقترح إطار عمل لتعلم تفضيل السياق يعمل على معايرة النموذج لتفضيل الإجراءات ذات القصور الذاتي المنخفض، مما يوازن بين الاستكشاف والاستغلال لتحسين الأداء عبر مختلف البيئات الوكيلية.