25416 ورقة بحثية
تقدم الورقة البحثية MaPPO، وهي طريقة لتحسين التفضيلات تعمم النهج الحالية مثل DPO من خلال دمج معرفة المكافأة المسبقة في هدف "الاحتمال الأقصى اللاحق" (Maximum a Posteriori)، مما يحسن محاذاة النماذج اللغوية الكبيرة عبر مختلف المعايير دون إضافة معلمات فائقة أو التضحية بالكفاءة.
تقدم هذه الورقة نظام وكيل يعتمد على النماذج اللغوية الكبيرة (LLM) لتقييم الأصول الدوائية، وتقوم بمعايرته من خلال تحويل مذكرات رأس المال الاستثماري غير المنظمة إلى مجموعة بيانات تقييم مهيكلة، محققةً نسبة استدعاء بلغت 83% في اكتشاف المنافسين، ومقلصةً وقت إنجاز المحلل من 2.5 يوم إلى حوالي 3 ساعات تقريباً.
تقدم هذه الورقة "تعلم الخيارات القابل للتوسع" (SOL)، وهو خوارزمية تعلم تعزيزي هرمي عالية الكفاءة تحقق إنتاجية أعلى بنحو 35 مرة من الطرق الحالية، وتُظهر أداءً فائقًا واتجاهات توسع إيجابية من خلال التدريب على 30 مليار إطار في بيئات معقدة مثل NetHack.
تتحدى هذه الورقة صحة استخدام وكلاء النماذج اللغوية الكبيرة كبدائل للمشاركين البشريين في الأبحاث من خلال إثبات أنه، على الرغم من توليدهم لاستجابات مشابهة للبشر، إلا أنهم يفتقرون إلى الاتساق السلوكي الجوهري عبر الإعدادات التجريبية المختلفة والمطلوب لتمثيل السلوك البشري الحقيقي بدقة.
تقدم هذه الورقة مشغلات عصبية ذات ترميز تلقائي متناثر (SAE-NOs)، وهي إطار عمل مبتكر يوسع المشفرات التلقائية المتناثرة التقليدية عبر تمثيل المفاهيم كدوال مهيكلة بدلاً من تنشيطات قياسية، مما يتيح نمذجة تعبير المفاهيم عبر نطاقات المدخلات، وتحقيق تعميم فائق عبر الدقات المختلفة، وتسريع عملية التحسين من خلال تقنية رفع مبتكرة.
تُثبت هذه الورقة أن نماذج الرؤية واللغة المضبوطة بدقة، وتحديداً نسخة من LLaMA 3.2، تتفوق على الشبكات العصبية التلافيفية التقليدية ونماذج المحولات المقتصرة على الرؤية في تصنيف تفاعلات النيوترينو في فيزياء الطاقات العالية، وذلك من خلال تحقيق دقة ومتانة وقدرة أعلى على التفسير عبر الاستدلال متعدد الوسائط.
تقترح هذه الورقة إطاراً موحداً ذا أساس نظري يحدد شروط التكرار القابلة للتحقق تجريبياً لتمكين تخطي الطبقات بشكل منهجي في نماذج الرؤية واللغة، مما يؤدي إلى تحسين كفاءة الاستدلال دون التضحية بالأداء.
يُعد MemSearcher إطار عمل لوكيل يعتمد على النماذج اللغوية الكبيرة، يستخدم آلية ذاكرة مدمجة وخوارزمية تدريب GRPO متعددة السياقات ومبتكرة لتحقيق تعلم تعزيزي فعال وشامل من البداية إلى النهاية لمهام البحث متعددة الجولات، متفوقاً بذلك على النماذج المرجعية التقليدية القائمة على دمج السجل التاريخي مع الحفاظ على استقرار أطوال السياق.
تقترح هذه الورقة نهجاً قائماً على التعلم المعزز لتحسين التحكم في علم الوراثة الضوئية بنظام تعديل عرض النبضة في العمليات الحيوية، وذلك عبر تمثيل مفتاح تشغيل الضوء الثنائي من خلال دورة تشغيل مستمرة، مما يتغلب على التعقيد الحسابي للتحسين التقليدي المختلط-المنفصل مع تعزيز القدرة على الضبط في الأنظمة ذات علاقات الاستجابة للجرعة الحادة.
تقدم الورقة البحثية BEAVER، وهو إطار عمل مبتكر يستخدم هياكل بيانات Token trie وFrontier لحساب حدود احتمالية حتمية وسليمة لخصائص سلامة النماذج اللغوية الكبيرة بكفاءة، متفوقاً بذلك على النماذج المرجعية القائمة على أخذ العينات من خلال تحديد حالات أكثر خطورة بشكل ملحوظ باستخدام جزء ضئيل من ميزانية الحوسبة.