24888 ورقة بحثية
تستقصي هذه الورقة بشكل منهجي قوانين القياس لنماذج تخطيط كهربائية القلب (ECG) من خلال تدريب 120 نموذجاً عبر أحجام ونماذج معرفية متنوعة، كاشفةً أنه في حين يوفر التعلم الخاضع للإشراف الذاتي كفاءة فائقة في البيانات والنقل، فإن المسار الأمثل للوصول إلى نماذج تأسيسية فعالة لتخطيط كهربائية القلب يعتمد على المواءمة الاستراتيجية بين البنية (ResNet مقابل Transformer) ونموذج ما قبل التدريب بدلاً من الاعتماد فقط على التوسع بالقوة الغاشمة.
تقدم هذه الورقة A2RBench، وهو مسار مؤتمت لإنشاء اختبارات قياس للاستدلال التجريدي قابلة للتحقق رسميًا باستخدام اتساق الدورة لضمان الحلول الفريدة، مما يكشف أن النماذج اللغوية الكبيرة الحالية تقصر بشكل كبير عن البشر في الاستدلال التجريدي وتواجه صعوبة في المهام عالية الأبعاد.
يُعد Rover نظاماً مبتكراً لحل النزاعات يعمل على تعزيز النماذج اللغوية الكبيرة من خلال دمج تحليل البرامج مع مخطط خصائص الكود متعدد الطبقات لتوليد مطالبات مدركة للسياق، مما يجعله يتفوق على الأدوات الحالية في حل نزاعات دمج الكود المعقدة بدقة.
تقدم هذه الورقة البحثية ContractBench، وهو معيار حتمي يكشف أن وكلاء النماذج اللغوية الكبيرة المتطورة حالياً يفشلون تكراراً في الحفاظ على الصلاحية الزمنية وسلامة مستوى البايت لعقود الملاحظة (مثل رموز الجلسات وعناوين URL)، وهي قدرة لا تتوسع بشكل رتيب مع حجم النموذج وتتطلب تدريباً خاصاً واعياً بالفشل لتحسينها.
يُعد OProver إطار عمل موحداً لإثبات النظريات الصورية الوكيلية في لغة Lean 4، حيث يدمج المراجعة التكرارية للإثبات مع تغذية المترجم الراجعة والاسترجاع، محققاً أداءً هو الأفضل حالياً عبر عدة معايير من خلال مسار تدريب مبتكر يجمع بين التدريب المسبق المستمر، والضبط الدقيق الخاضع للإشراف على مسارات الإصلاح، والتعلم المعزز على الحالات الصعبة.
تقدم هذه الورقة CLAP، وهو إطار عمل مدرك للموقع يعمل على تحسين المطالبات الناعمة (soft prompts) لكل حاجز طريق في الفضاء الكامن لنماذج الرؤية واللغة والعمل (Vision-Language-Action) المجمدة، وذلك لتقليل أخطاء التخطيط بشكل كبير في سيناريوهات القيادة النادرة والحرجة على السلامة في حالات الذيل الطويل دون المساس بالأداء في الإطارات العادية.
تقدم الورقة البحثية LEAP، وهي طريقة تقليم تكيفية قابلة للتعلم من طرف إلى طرف تستخدم استرخاءً لكل وزن من نوع (Bernoulli-via-Gumbel-sigmoid) لتمكين تعلم التشتت غير المهيكل القابل للمعالجة في النماذج اللغوية الكبيرة، متفوقة بشكل كبير على النماذج المرجعية الحالية على مستوى الطبقة في دقة الصفر التقديري عند مستويات التشتت العالية.
تقدم هذه الورقة البحثية "اختطاف الانتباه" (Attention Hijacking)، وهو هجوم عدائي مبتكر يعزز قابلية انتقال التلاعب بالاستجابة عبر الاستعلامات في نماذج الرؤية واللغة من خلال توجيه توزيعات الانتباه الداخلية صراحةً نحو نمط مستمر يهيمن عليه الجزء الصوري، مما يقلل من اعتماد المخرجات المتلاعب بها على صياغة استعلام محددة.
تُثبت هذه الورقة أن حقن مسودات غير صحيحة رياضياً من نموذج أصغر مُدرب على مجال محدد وغير متوافق مع المشكلة الحالية في سياق تدريب GRPO لنموذج متعلم أقوى، يتفوق بشكل كبير على الضبط الدقيق القياسي المعتمد على السياسة (on-policy fine-tuning) والمتغيرات الأخرى، محققاً نتيجة قياسية جديدة تبلغ 71.98% على MATH-500 لنموذج Mathstral-7B دون الحاجة إلى ضبط دقيق موجه (SFT)، أو نماذج مكافأة، أو بيانات مُخلّقة.
تقدم هذه الورقة "لابلاسيان الفائق متعدد المقاييس مع التحسين العصبي" (MSHL)، وهو إطار عمل ثنائي المراحل يعمل بفعالية على استكمال البيانات المفقودة المهيكلة في الشبكات الاستشعارية من خلال اكتشاف علاقات المجموعات ذات الرتب العليا عبر فائق هياكل متعددة المقاييس وتطبيق تصحيحات غير خطية آمنة ومتكيفة، متفوقاً بذلك على طرق الرسوم البيانية التقليدية الثنائية في سيناريوهات حركة المرور الواقعية.