25186 ورقة بحثية
تقدم هذه الورقة مفهوماً كمياً لتنوع الامتداد في أطر الحجاج المجردة بناءً على الفرق المتماثل، وتوفر تصنيفاً منهجياً للتعقيد للمسائل القرارية والتحسينية ذات الصلة، وتقدم تقييماً نموذجياً لحساب مستويات التنوع.
تُثبت هذه الورقة البحثية أن النماذج اللغوية الكبيرة تمتلك "متجه تفضيل" سببيًا مشتركًا في تدفقها المتبقي يحكم خيارات المهام عبر شخصيات متنوعة، بما في ذلك الشخصيات ذات التفضيلات المتعارضة مثل المساعدين المفيدين والشخصيات الشريرة.
تقترح هذه الورقة "هندسة تسخير الذكاء الاصطناعي" (AI Harness Engineering)، وهي إطار عمل لركيزة وقت التشغيل ينقل التركيز في هندسة البرمجيات المستقلة من قدرة النموذج وحدها إلى نظام متكامل يتكون من النموذج والمنصة والبيئة، مع تحديد إحدى عشرة مسؤولية للمكونات وسلم من أربعة مستويات لإنتاج تغييرات برمجية قابلة للتحقق والتدقيق والصيانة.
تقدم هذه الورقة البحثية إطار عمل QueST، وهو إطار عمل مبتكر يُمكّن النماذج اللغوية الكبيرة من تكييف معاملاتها أثناء الاستدلال باستخدام إشراف مستمد مباشرة من الاستعلام المدخل نفسه، مما يحقق تحسينات خاصة بكل استعلام في مهام الاستدلال دون الاعتماد على بيانات خارجية.
تقدم هذه الورقة إطار عمل متعدد المراحل وقابلاً لإعادة الإنتاج، يستفيد من النموذج التأسيسي XLM-RoBERTa، والترجمة العكسية باستخدام GPT-4o-mini لتعزيز البيانات، وتحسين العتبة الخاصة بكل لغة، للكشف بفعالية عن الألفاظ النابية المستردة لمجتمع LGBTQ+ عبر وسائل التواصل الاجتماعي باللغات الإنجليزية والإسبانية والإيطالية، مع معالجة تحديات مثل ندرة البيانات والتباين اللغوي عبر اللغات.
تضع هذه الورقة شروطاً ضرورية وكافية لتحديد متوسط أثر المعالجة (ATE) في ظل وجود تحيز الاختيار، وذلك عبر الاستفادة من افتراضات ضعيفة على فئات الاحتمالية لتوصيف احتمالات الميل والاختيار، مما يوسع المعايير الرسومية الحالية بشروط أضعف بصرامة من أجل فهم أكثر شمولاً لتحديد الأثر السببي.
يُعد Q-Flow إطار عمل للتعلم التعزيزي يحقق تحسيناً مستقراً ومعبراً للسياسات من خلال الاستفادة من ديناميكيات التدفق الحتمية لنقل القيم النهائية إلى الحالات المتوسطة، مما يلغي الحاجة إلى الانتشار العكسي غير المستقر عبر الحلول العددية ويتفوق على النماذج المرجعية المتطورة في الإعدادات غير المتصلة والمتصلة.
تقيم هذه الورقة بشكل منهجي اختبارات الإبداع البشري الحالية للتنبؤ بأداء النماذج اللغوية الكبيرة عبر الكتابة، والتفكير التباعدي، والابتكار العلمي، كاشفةً عن صلاحيتها المحدودة ومقدمةً اختبار الارتباط البعيد التباعدي (DRAT) كأول أداة قوية قادرة على التنبؤ بالابتكار العلمي من خلال التقييم المتزامن لكل من التفكير التقاربي والتباعدي.
تقدم هذه الورقة إطاراً تشخيصياً يكتشف أنماط سوء المعايرة الخفية المعتمدة على المدخلات في النماذج اللغوية الكبيرة عبر تعلم تمثيل مدرك للمعايرة لفضاء المدخلات، مما يتيح تصحيحات ثقة محلية أكثر فعالية من الطرق العالمية التقليدية.
تكشف هذه الورقة أن التعلم في السياق القائم على سلسلة الأفكونات متعدد الأمثلة يعمل كتعلم في وقت الاختبار داخل السياق بدلاً من مجرد مطابقة الأنماط، مما يثبت فشل قواعد القياس القياسية لمهام الاستنتاج، وتقترح اختيار الأمثلة المنحني (CDS) لتحسين ترتيب الأمثلة لتحقيق مكاسب كبيرة في الأداء.