11158 ورقة بحثية
تقترح هذه الورقة "التوليد المعزز بالاعتقاد" (BAG)، وهو إطار عمل يستفيد من حالة الاعتقاد الخاصة بالنموذج اللغوي الكبير المستمدة من عينات متعددة للاستجابات لتقرير ما إذا كان سيجيب، أو يستوضح، أو يمتنع في المحادثات الغامضة بشكل مستقل، مما يحسن الدقة والوفاء بالاستراتيجية مقارنة بالتحفيز القياسي.
تقدم الورقة البحثية "Auto-Robotist"، وهو وكيل نماذج لغوية كبيرة (LLM) ذاتي التطور، يحول تصميم الروبوتات التطوري عديم الذاكرة إلى عملية قابلة للنقل عبر تقطير آثار البحث في مكتبة مهارات صريحة وقابلة للفحص بلغة طبيعية، مما يحسن كفاءة البحث بشكل كبير ويمكّن من نقل المعرفة بنجاح عبر مساحات تصميم مختلفة.
يُعد TTPrint إطار عمل مبتكر يعمل على تحسين استخراج تقنيات MITRE ATT&CK من تقارير استخبارات التهديدات السيبرانية عبر توظيف استراتيجية "التشعب ثم التقارب" لتحديد السلوكيات المرشحة المرتبطة بأدلة محددة أولاً، ثم التحقق منها بصرامة مقابل التعريفات المعتمدة، مما يجعله يتفوق بشكل كبير على الأساليب الحالية في كل من الاستدعاء والدقة.
يُعدّ MuCRASP إطار عمل جديد للتقليم الهيكلي لنماذج الرؤية واللغة، حيث يحافظ على دقة استدلال سلسلة الأفكار متعدد الوسائط عبر تحديد وحماية الرموز المحورية الحرجة للاستدلال ومعالجة الاختلافات في التنشيط عبر الوسائط، متفوقاً بذلك على الأساليب الحالية حتى عند معدلات الضغط العالية.
تكشف هذه الورقة عن ظاهرة "الارتباط اللساني السببي" (Causal Tongue-Tie) في النماذج اللغوية الكبيرة، حيث تُشفر الحالات الخفية الأدلة السببية بدقة (حوالي 97%) رغم فشل المخرجات اللفظية للنماذج بنوع "نعم/لا" في التعبير عن هذه المعرفة (حوالي 50%)، مما يشير إلى أن المعايير القياسية القائمة فقط على الإجابات النهائية قد تسيء تمثيل قدرات الاستدلال السببي الحقيقية للنموذج.
تقدم الورقة البحثية "المُلفظ التنشيطي الشامل" (UAV)، وهو إطار عمل موحد يستخدم وحدة فك ترميز مشتركة ومهايئات خفيفة الوزن لتمكين شرح التنشيط عبر النماذج المانحة غير المتجانسة، محققاً أداءً منافساً لنماذج التفسير الذاتي المرجعية مع دعم النقل الفعال القائم على المهايئات فقط.
حقق النظام الفائز بمهمة KSAA-2026 لتشكيل الكلام باللغة العربية معدل خطأ في الكلمات (WER) بنسبة 23.26% من خلال الضبط الدقيق لنموذج CATT-Whisper باستخدام تقنيات تنظيم متقدمة، بما في ذلك R-Drop، وFocal Loss، والاستدلال التجميعي القائم على Monte Carlo Dropout، وذلك على الرغم من القيود المفروضة بوجود مجموعة بيانات تدريب صغيرة دون استخدام بيانات خارجية.
تُثبت هذه الورقة أنه بالنسبة لنماذج اللغة من نوع "decoder" التي يقل حجمها عن 100 مليون معلمة، فإن الجدول الأمثل لخفض معدل التعلم (33%) مستقل إلى حد كبير عن عرض البت (FP16، INT8، INT6) وحجم النموذج، مع إظهار INT4 انتقالاً متميزاً من نظام يهيمن عليه الضجيج تحت 50 مليون معلمة إلى جدول أمثل حاسم عند 50 مليون معلمة وما فوقها.
تقدم الورقة البحثية ، وهي بنية مبتكرة توحد كفاءة الاستدلال لنماذج RWKV السببية مع الانتشار المنفصل ثنائي الاتجاه المتوازي عبر تخطيط ثلاثي الكتل، محققة دقة مقاربة للنماذج الحالية مع تقديم تسريع قدره 1.6 ضعف في إنتاجية فك التشفير.
تقدم هذه الورقة ProAct، وهي بنية وكيل استباقي تستفيد من قدرات الحوسبة في أوقات الخمول لتوقع احتياجات المستخدم المستقبلية والتحضير لها، إلى جانب معيار ProActEval، مما يظهر تحسينات كبيرة في كفاءة المهام، وتقليل جهد المستخدم، والحد من الهلوسة مقارنة بالنماذج التفاعلية الأساسية.