11158 ورقة بحثية
تقترح الورقة البحثية NeUQI، وهي طريقة تعمل على تحسين التكميم الموحد منخفض البت للنماذج اللغوية الكبيرة من خلال اشتقاق معاملات تهيئة شبه مثالية عبر عملية تحسين مبسطة تعتمد على المقياس فقط، مما يؤدي إلى التفوق على التقنيات الحالية وحتى أساليب التقطير كثيفة الاستهلاك للموارد.
تقترح هذه الورقة البحثية طريقة "الفضاءات الفرعية المتعامدة لدمج النماذج القوي" (OSRM)، وهي طريقة تعمل على تقييد الفضاءات الفرعية لـ LoRA قبل عملية الضبط الدقيق للتخفيف من تداخل المهام وتحسين أداء ومتانة دمج نماذج لغوية متعددة مكيفة بـ LoRA بشكل كبير.
تقيم هذه الورقة مقاييس عدم اليقين المختلفة أثناء الاستدلال في النماذج اللغوية الكبيرة، وتجد أن العديد من المقاييس تظهر توافقاً قوياً مع عدم اليقين البشري ومعايرة متوسطة إلى قوية للنموذج، حتى عندما لا ترتبط بتفضيلات الإجابة البشرية.
تقدم هذه الورقة GEM-Bench، وهو أول معيار شامل لتوليد الاستجابات المحقونة بالإعلانات في التسويق عبر محركات التوليد، والذي يوفر مجموعات بيانات منسقة، ومقياس تقييم متعدد الأبعاد، وحلولاً مرجعية للكشف عن المقايضة بين التفاعل ورضا المستخدم في الأساليب الحالية مع توجيه الأبحاث المستقبلية.
تُظهر هذه الدراسة، باستخدام بيانات تخطيط كهربية الدماغ (EEG) وتتبع حركة العين المتزامنة، أن البنية النحوية الهرمية يمكنها توجيه فهم القراءة أثناء المعالجة بشكل استباقي سلوكياً وعصبياً، مع تباين تأثيرها النسبي عبر مقايال مختلفة بحيث تقود مسارات المسح البصري والنشاط العصبي بقوة أكبر من العوامل الإحصائية في بعض السياقات، لكنها تكون عموماً أضعف من المفاجأة المعجمية في سياقات أخرى.
تجادل هذه الورقة بأن التفسير الآلي هو في جوهره مشكلة تقدير إحصائي تعاني من تباين ذاتي مرتفع في درجات الوساطة السببية، مما يتسبب في جعل مسارات اكتشاف الدوائر تنتج نتائج غير مستقرة وهشة تستوجب التحول نحو الصرامة في المتانة الإحصائية والإبلاغ عن الاستقرار.
تقدم هذه الورقة PLSemanticsBench لتوضيح أن النماذج اللغوية الكبيرة المعاصرة تعتمد بشكل أساسي على الارتباطات اللفظية المدربة مسبقاً بدلاً من التكييف المنهجي لاستدلالها بناءً على دلالات البرامج الرسمية المقدمة، كما يتضح من تدهور أدائها الحاد عند مواجهة الطفرات الدلالية، والرموز الجديدة، وآثار التنفيذ الطويلة.
يقدم SAC-Opt إطار عمل للتصحيح الموجه تراجعياً يعزز نمذجة التحسين القائمة على النماذج اللغوية الكبيرة من خلال محاذاة الكود المُنشأ تكرارياً مع دلالات المشكلة الأصلية، مما يحسن بشكل كبير من دقة النموذج ومتانته دون الحاجة إلى تدريب إضافي.
تقترح الورقة البحثية Gap-K%، وهي طريقة مبتكرة للكشف عن بيانات ما قبل التدريب في النماذج اللغوية الكبيرة، والتي تستفيد من فجوة الاحتمال اللوغاريتمي بين التنبؤ الأول (top-1) والرمز المستهدف، بالاقتران مع استراتيجية النافذة المنزلقة، لتحقيق أداء رائد على مجموعات البيانات المرجعية.
تقدم الورقة البحثية SERA، وهي طريقة فعالة من حيث التكلفة تستخدم التوليد المتحقق منه بمرونة (Soft Verified Generation) لتدريب وكلاء برمجة مفتوحي المصدر متخصصة في قواعد الأكواد الخاصة عبر الضبط الدقيق الخاضع للإشراف، محققةً أداءً يضاهي النماذج الرائدة مفتوحة الأوزان بجزء ضئيل من تكلفة التعلم المعزز أو أساليب البيانات الاصطناعية السابقة.