25328 ورقة بحثية
تقدم هذه الورقة "السلامة الداخلية" (SInternal)، وهو إطار عمل يعزز متانة نماذج الاستدلال الكبيرة ضد عمليات الاختراق عبر تدريبها على استيعاب فهم السلامة من خلال مهام التحقق الذاتي، مما ينقل المحاذاة من مجرد الامتثال السلوكي إلى التقييم الجوهري للسلامة.
تقدم الورقة البحثية إطار عمل PnP-Corrector، وهو إطار عمل عالمي يفصل بين محاكيات الفيزياء مسبقة التدريب وبين وكيل تصحيح مخصص للتخفيف من تضخيم الخطأ المتبادل وتحسين الاستقرار والدقة على المدى الطويل للتنبؤ المكاني والزماني المقترن بشكل كبير.
تقترح الورقة البحثية Self-ReSET، وهو إطار عمل يعتمد كلياً على التعلم التعزيزي يُمكّن نماذج الاستدلال الكبيرة من تعلم التعافي الذاتي جوهرياً من مسارات استدلالها غير الآمنة، مما يعزز بشكل كبير من متانتها ضد هجمات الاختراق العدائية وهجمات تجاوز القيود خارج نطاق التوزيع مع الحفاظ على المنفعة العامة.
تُثبت هذه الورقة أنه يمكن التحقق من صحة معاملات فوريه العصبية الصغيرة (Fourier Neural Operators) رسمياً لخصائص فيزيائية مثل الإيجابية وحفظ الكتلة عبر تجميع عمليات تمريرها الأمامية الخطية المجزأة في حلول SMT، مما يكشف عن مقايضة واضحة حيث توفر الترميزات الدقيقة ضمانات سليمة ولكنها تعاني من صعوبة في التوسع، بينما توفر الترميزات التقريبية السرعة على حساب القدرة على التصديق.
تقدم الورقة البحثية MDGYM، وهو معيار مرجعي يوضح أن الوكلاء الحاليين في مجال الذكاء الاصطناعي يعانون في تنفيذ محاكاة الديناميكا الجزيئية بشكل مستقل بسبب فجوة جوهرية بين توليد الكود البرمجي بطلاقة وبين الاستدلال الفيزيائي القائم على الواقع والمطلوب لضمان استقرار ودقة المحاكاة.
تقترح هذه الورقة "الارتباط التبايني المتوافق مع السياق" (Context-Aligned Contrastive Regression)، وهو إطار عمل مبتكر يجمع بين تجميع انحدار ريدج (Ridge regression ensembling) والتعلم التبايني عبر الرؤى والترتيبي لتعزيز التنبؤ بالصعوبة المعجمية من خلال تحسين المحاذاة عبر اللغات، واستيعاب الهياكل الترتيبية، والتخفيف من الانحيازات المنهجية للنماذج.
تجادل هذه الورقة الموقفية بأن أنظمة الذكاء الاصطناعي الوكيل الحالية غير مؤهلة للاكتشاف العلمي المستقل تماماً بسبب قيود جوهرية في اختيار المشكلات، وفجوات بيانات التدريب المتعلقة بالمعرفة المختبرية الضمنية، وتجانس المخرجات الناتج عن تحسين التفضيلات، وعدم كفاية الاختبارات المعيارية، مما يستلزم إعادة تصميم تتمحور حول التحقق القائم على المحاكاة، ونماذج العالم المستمرة، والتطبيق المدفوع بالحاجة.
تقترح هذه الورقة إطار عمل للتعلم العميق من طرف إلى طرف لإعادة بناء نماذج التصميم بمساعدة الحاسوب (CAD) من السحب النقطية، والذي يستخدم استراتيجية تجزئة بالبث (extrusion segmentation) مبتكرة لتفكيك الأشكال إلى مكونات جزئية، مما يعزز تنوع البيانات ويحسن أداء النموذج وقدرته على التعميم وإعادة البناء.
تقدم هذه الورقة STEMO-Bench، وهو معيار مصمم لتقييم المراقبة المكانية والزمانية في نماذج اللغة الكبيرة للفيديو بصرامة من خلال تفكيك الاستعلامات إلى أسئلة فرعية، وتقترح STEMO-Track، وهو إطار عمل متمحور حول الكائنات يقلل بشكل كبير من الهلوسة ويحسن اتساق الاستدلال من خلال بناء المسار الصريح والتجميع الزمني.
تعمل هذه الورقة على تحسين نظام القيادة الذاتية من طرف إلى طرف القائم على الاستنتاج Alpamayo 1 عبر إعادة تصميمه من بنية استنتاج متعددة إلى بنية استنتاج أحادية، وإلغاء عمليات النواة غير الفعالة، مما يحقق تقليلاً في زمن انتقال الاستدلال بنسبة 69.23% مع الحفاظ على تنوع المسارات وجودة التنبؤ.