11158 ورقة بحثية
تقدم هذه الورقة إطار عمل شفافاً قائماً على الميزات، يستفيد من الخصائص الإدراكية للكلام والتعلم الآلي القابل للتفسير لتحديد الارتباطات المستقرة بين الأنماط الصوتية واللغوية وشدة الاكتئاب والقلق واضطراب نقص الانتباه مع فرط النشاط عبر كل من المعايير المرجعية المنضبطة والبيانات السريرية الواقعية.
تقترح الورقة البحثية إطار عمل Mix-MoE، وهو إطار عمل "خليط من الخبراء" (Mixture-of-Experts) ثنائي المراحل يفصل بين خبراء النماذج اللغوية وخبراء الترجمة الآلية ويستخدم توجيهاً معززاً بتحويل فوريه للتخفيف بفعالية من تداخل المعلمات وتحسين أداء الترجمة الآلية متعددة اللغات بشكل كبير في النماذج اللغوية الكبيرة.
تقدم هذه الورقة TraceLock، وهو متحكم خفيف الوزن وذاتي الإشراف يتعلم سياسة التزام بالرموز (token-commitment) قابلة لإعادة الاستخدام لنماذج اللغات الانتشارية المجمدة من خلال الاستفادة من الاستقرار المستقبلي، مما يحسن جودة التوليد والقدرة على التكيف عبر إعدادات مختلفة دون الحاجة إلى إعادة التدريب.
تُحدد هذه الورقة البحثية "ضريبة الرموز" (tokenizer tax) عبر 25 لغة أوروبية، كاشفةً أن اللغات غير الإنجليزية، ولا سيما الأوكرانية وتلك ذات الصرف المعقد، تعاني من نسب أعلى بكثير من الرموز إلى الكلمات بسبب نقص تمثيلها في بيانات ما قبل التدريب، مع إثبات أن تصنيفات الخصوبة هذه تظل ثابتة عبر المجالات وأن تأثيرات التعلم بلقطات قليلة (few-shot effects) هي سمة متأصلة في النموذج وليست مرتبطة باللغة.
تقترح هذه الورقة تحليل منحنى خصائص التشغيل (ROC) كمنهجية عملية وموجهة نحو اتخاذ القرار لتقييم أنظمة تقدير جودة الترجمة، مبرهنةً على توافقها مع مقاييس التقييم الحالية مع توفير رؤى قابلة للتنفيذ لاتخاذ القرارات التجارية.
تقدم الورقة البحثية StepGap، وهو شجرة قرار هجينة تجمع بين الاستدلال اللغوي الطبيعي (NLI) والنماذج اللغوية الكبيرة (LLM)، والتي تكتشف فجوات أدلة محددة على مستوى الخطوات في الإجابة على الأسئلة متعددة القفزات بشفافية هيكلية أكبر من النماذج المرجعية التي تعتمد على النماذج اللغوية الكبيرة فقط، وتثبت فعاليتها كمكافأة عملية نمطية تعمل على تحسين أداء المطابقة التامة لنموذج Qwen2.5-7B-Instruct بشكل كبير.
تقدم هذه الورقة "govllm"، وهو إطار عمل مفتوح المصدر يطبق مبدأ "الحوكمة من خلال المقاييس" لتمكين المراقبة المستمرة لامتثال النماذج اللغوية الكبيرة بموجب قانون الذكاء الاصطناعي للاتحاد الأوروبي، وذلك عبر استخدام مجموعة من النماذج اللغوية الصغيرة المتخصصة كقضاة تنظيميّين لتوليد إشارات امتثال في الوقت الفعلي وتحديد حالات عدم اليقين للتحكيم البشري.
تقدم هذه الورقة البحثية "الفك التنبؤي التعاوني" (CoSpec)، وهو إطار عمل مبتكر يستبدل النهج التقليدي القائم على المحاكاة بسياسة تحكيم مدفوعة بالتعلم المعزز، مما يسمح لنموذج مسودة أصغر بالمساهمة بشكل انتقائي بالرموز حتى عندما لا تتطابق مع النموذج المستهدف الأكبر، مما يحقق بذلك تسريعاً كبيراً في الاستنتاج ودقة نهائية فائقة.
تقترح هذه الورقة طريقة لتصحيح درجات الاختبار المتضخمة الناتجة عن تلوث البيانات عبر "حقن" بيانات التدريب عمدًا بأمثلة اختبار معروفة لمعايرة متنبئات الحفظ، والتي تُستخدم بعد ذلك إحصائيًا لضبط مقاييس أداء النموذج.
تجادل هذه الورقة بأن المترجمين قد تحولوا إلى "معلمين غير مرئيين" للذكاء الاصطناعي من خلال استغلال نتاج عملهم الإبداعي كبيانات تدريب أساسية دون اعتراف أو تعويض، وهي عملية يحللها المؤلف من خلال منظور قانون حقوق الطبع والنشر، والاقتصاد السياسي للبيانات اللغوية، والحاجة الملحة للتصميم القائم على إعادة التوزيع.