11158 ورقة بحثية
تقدم الورقة البحثية VERA-V، وهو إطار استدلال تبايني يعيد صياغة اكتشاف كسر الحماية متعدد الوسائط باعتباره تعلم توزيع خلفي مشترك على مطالبات النص والصورة، مما يتيح توليد مدخلات عدائية مقترنة ومتخفية تتفوق بشكل كبير على الأساليب الحالية في تجاوز حواجز الحماية لنماذج الرؤية واللغة.
تقدم هذه الورقة إطار التقييم -Soft-NC و -Soft-NS للتحكم في أعداد الكلمات المحتفظ بها عند تقييم دقة الإسناد في النماذج اللغوية الكبيرة ذات فك التشفير فقط، إلى جانب طريقة Grad-ELLM التي تدمج بفعالية بين إشارات التدرج والانتباه لتحقيق أداء قوي موجه نحو الشمولية.
تقدم الورقة البحثية Med-CoReasoner، وهو إطار عمل للتفكير المشترك القائم على اللغة، والذي يسد الفجوة متعددة اللغات في الاستنتاج الطبي من خلال دمج الخبرة باللغة المحلية مع الهياكل المنطقية الإنجليزية، وتثبت فعاليته من خلال معيار MultiMed-X الجديد والتجارب التي تظهر تحسينات كبيرة في الأداء، لا سيما بالنسبة للغات ذات الموارد المنخفضة.
تجادل هذه الورقة بأن مفاجأة النموذج اللغوي تتفوق على مفاجأة الفراغات (cloze) في التنبؤ بجهد المعالجة نظراً لقدرتها العالية على التمييز، وقدرتها على التفريق بين الكلمات المتشابهة دلالياً، ومعالجتها الدقيقة للكلمات منخفضة التكرار، بينما تدعو إلى تحسين منهجيات الفراغات ومزيد من البحث في حساسية التنبؤ البشري.
تستقصي هذه الورقة آليات التعلم داخل السياق متعدد الوسائط في نماذج "ترانسفورمر" الحديثة من خلال تجارب منضبطة على مهام اصطناعية، كاشفةً أن تضمينات الموضع الدوارة ترفع عتبة تعقيد البيانات للتعلم داخل السياق، بينما يتيح التنوع العالي للوسيط الأساسي ظهور التعلم داخل السياق متعدد الوسائط بتعقيد منخفض بشكل مفاجئ في وسيط ثانوي عبر دوائر استقرائية منقحة.
تقترح هذه الورقة إطار عمل وكيل تفاعلي مع سياسات استكشاف تكيفية ومسار معالجة صارم لاستخراج وقياس حدود المعرفة للنماذج اللغوية الكبيرة بشكل منهجي، مما يكشف عن قوانين قياس معرفية متميزة، ومقايضات في الأداء بين النماذج المتخصصة والعامة، وفروق قابلة للقياس في ملفات تعريف المعرفة المدفوعة بتكوين بيانات التدريب.
يُعد GraphDancer إطار عمل للتدريب اللاحق يتكون من مرحلتين، يستفيد من منهج تعليمي مدرك للرسوم البيانية لتعليم النماذج اللغوية الصغيرة كيفية الاستكشاف والاستدلال بفعالية عبر الرسوم البيانية غير المتجانسة من خلال التداخل بين اللغة الطبيعية واستدعاءات الدوال، محققاً تعميماً قوياً عبر المجالات يتفوق على النماذج المرجعية الأكبر حجماً.
تقترح الورقة البحثية "التقطير ذاتي التحقق" (Self-Verified Distillation)، وهي طريقة لما بعد التدريب تمكن النماذج اللغوية من تحسين قدراتها الاستنتاجية في الرياضيات والعلوم والبرمجة بشكل ذاتي عبر توليد وتصفية حلول مرشحة خاصة بها من خلال تسلسل ثلاثي المراحل للتحقق الذاتي الصارم، محققةً مكاسب أداء كبيرة عبر أحجام نماذج متعددة دون الحاجة إلى معلمين خارجيين أو تسميات حقائق أرضية.
تُثبت هذه الورقة أن ضغط مخططات الأدوات (tool-schema compression) يمثل بنية تحتية حاسمة لأنظمة البحث والاسترجاع المعززة بالوكلاء (Agentic RAG)، مما يتيح الأداء الوظيفي في ظل ميزانيات السياق المحدودة من خلال منع تجاوز تعريفات الأدوات لنافذة السياق، وتحسين درجات المطابقة التامة بشكل كبير مقارنة بالمخططات غير المضغوطة.
تكشف هذه الورقة أن تنسيق النماذج اللغوية عبر وكلاء متعددين يخلق "منحدر كشف" عالمياً حيث تنهار القدرة على تحديد عيوب المستندات المتقاطعة بأكثر من الثلثين بغض النظر عن حجم النموذج أو محاذاته، كما تكشف أيضاً عن تحول محدد يعتمد على المطور في معايير الإبلاط وعدم موثوقية الحكام الآليين في اكتشاف هذه الإخفاقات الهيكلية.