11158 ورقة بحثية
تقدم هذه الورقة مقياساً صارماً وغير دائري لتقييم ضغط السياق من خلال التحكم في موضع المستند وطول الجملة، مما يثبت أن النماذج اللغوية تتفوق بشكل كبير على الاقتطاع الساذج والاستدلالات الكلاسيكية في التنبؤ بتحديدات القراء البشر، مع تحقيق أداء مماثل لنماذج الذكاء الاصطناعي المتقدمة والقراء البشر.
تقدم الورقة البحثية Cocktail-Talker، وهو إطار عمل لنماذج اللغة الكبيرة الصوتية تم تدريبه عبر الضبط الدقيق الخاضع للإشراف والتعلم التعزيزي لتمكين المساعدين من اتخاذ قرار انتقائي بشأن التحدث أو البقاء صامتين في البيئات الاجتماعية الصاخبة ومتعددة المتحدثين، مدعوماً بمسار بيانات اصطناعي يسمى Cocktail-DialogGen.
تقدم هذه الورقة البحثية AutoSupervision، وهو إطار عمل يستفيد من 56,000 سجل مراجعة من مجلة Nature Communications لتقييم ما إذا كانت تنقيحات المخطوطات تعالج بالفعل مخاوف المراجعين من خلال أدلة مستندة إلى الواقع، كاشفةً أنه بينما يمكن للنماذج اللغوية الكبيرة أن تصف المخاوف بفعالية، فإن التحقق القائم على الأدلة يظل يمثل عقبة كبيرة.
تقدم الورقة البحثية FinanceHarness، وهو إطار عمل مستقل للبحث المالي العميق والمتكامل من البداية إلى النهاية يدمج أدوات متخصصة وسير عمل بتوجيه من الممارسين، إلى جانب FinanceGym، وهو معيار صارم يظهر فجوات أداء كبيرة في النماذج الحالية وتحسينات ملموسة من خلال النظام المقترح.
يقدم البحث إطار عمل SciDataSailor، الذي يسخر بحث شجرة مونت كارلو (Monte Carlo Tree Search) لتخليق مسارات تفاعلية مع الأدوات لاستكشاف البيانات العلمية العميقة، مصحوباً بمجموعة بيانات للضبط الدقيق ومعيار لتقييم قدرة الوكلاء على التنقل عبر المستودعات العلمية الهرمية والمعقدة والإجابة على أسئلة خاصة بمجالات محددة.
تقارن هذه الورقة بين التعليقات التوضيحية البشرية وتعليقات النماذج اللغوية الكبيرة (LLMs) للغة التقييمية في نصوص خطابات "تيد" (TED) باستخدام نظرية التقييم (Appraisal theory)، وتجد أن النماذج اللغوية الكبيرة تتفوق على كل من اللغويين المدربين والمتدربين في مهام التعليق التوضيحي المعقدة، مما يثبت قدرتها على دعم أبحاث الإنسانيات الرقمية.
يقدم FinSMART إطار عمل جديد للتعلم التعزيزي المتوافق مع السوق، يعمل على تحسين تحليل المشاعر المالية باستخدام نتائج السوق المحققة بدلاً من التوصيفات البشرية الثابتة، مما يتفوق بشكل كبير على الأساليب الحالية من حيث الربحية ويسمح بالتكيف المستمر مع ديناميكيات السوق المتطورة.
تقدم هذه الورقة البحثية إطار عمل LATCH، وهو إطار عمل خالٍ من التدريب لنماذج اللغة الانتشارية (Diffusion Language Models) يجمع بين "الالتزام الموثق بالثقة" (Confidence-Verified Commit) و"الالتزام المبكر القائم على الكتل" (Block-Wise Early Commit) لتحقيق تسريع كبير في عملية الاستنتاج (يصل إلى 17.8 ضعفًا) مع الحفاظ على دقة فك التشفير الكامل تقريبًا من خلال التحقق ديناميكيًا من استقرار المخرجات وتسريع كتل الرموز غير النهائية دون الاعتماد على مطالبات اللاحقة (suffix prompts) أو المعلمات الفائقة الثابتة.
تقدم هذه الورقة مسار عمل يعتمد على النماذج اللغوية الكبيرة (LLM) يقوم بتحويل التسجيلات الصوتية للمقابلات السريرية إلى نصوص نصية لتعيين وتقدير شدة أعراض الاكتئاء العشرة وفق مقياس "مادرس" (MADRS) تلقائياً، محققاً ارتباطاً قوياً بنسبة 0.867 مع تقييمات الخبراء لدعم تقييم الاكتئاب في التجارب السريرية.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة المضغوطة ضغطاً خفيفاً يمكنها اجتياز جميع حواجز الجودة والأمان القياسية الخالية من البيانات، ومع ذلك تظل تهلوس في الخطوات الإجرائية أثناء التنفيذ الوكيل، وهو نمط فشل محدد ناتج عن تماسك أخطاء الضغط بدلاً من حجمها، مما يتطلب مقياس فحص جديد ثنائي المحور للكشف عنه.