11158 ورقة بحثية
تقدم هذه الورقة Geometry-Lite، وهو مسبار قابل للتفسير يفكك إشارات السلامة عبر طبقات المحولات (transformer layers) ليكشف أن الكشف عن سلامة مستوى المطالبة (prompt-level safety detection) يعتمد بشكل أساس أساسي على هندسة الهامش المستمرة عبر الطبقات وتحديد المواقع الحدودية بدلاً من إشارات الحركة من طبقة إلى أخرى.
يُعد Lean Refactor إطار عمل وكيلًا يعتمد على الاسترجاع المعزز، يعمل على تحسين براهين Lean لتحقيق أهداف متعددة — بما في ذلك ضغط الرموز (tokens)، وسرعة التجميع، وتوافق الإصدارات — من خلال الاختيار الديناميكي لاستراتيجيات إعادة الهيكلة المنسقة دون الحاجة إلى إعادة تدريب النموذج.
يُعد CP-MoE إطار عمل جديد للتعلم المستمر يعمل على التخفيف من حدة النسيان الكارثي في النماذج اللغوية الكبيرة (LLMs) والنماذج اللغوية البصرية (VLMs) عبر توظيف خبير عابر لتوجيه دمج التحديثات الخاصة بالمهام في الخبراء المستقرين من خلال توجيه يحافظ على الاتساق وتنظيم مستهدف، محققاً بذلك أداءً رائداً مع موازنة نقل المعرفة واستقرار المعلمات.
يُعد Chronicle نموذجًا مدمجًا من نوع المحولات المعتمدة على فك التشفين فقط (decoder-only transformer) بـ 324 مليون معلمة، تم تدريبه من الصفر على كل من اللغة الطبيعية والسلاسل الزمنية ضمن بنية موحدة، محققًا أداءً تنافسيًا في كلا المجالين وقدرات فائقة في التنبؤ متعدد الوسائط دون الاعتماد على التكيف اللاحق للنماذج اللغوية سابقة التدريب.
يُعد Mix-Quant إطار عمل للكمية (quantization) مدركاً للمراحل، يعمل على تسريع استنتاج النماذج اللغوية الكبيرة الوكيلية (agentic LLM) عبر تطبيق كمية NVFP4 عالية الإنتاجية على مرحلة التعبئة المسبقة (prefilling) كثيفة الحوسبة، مع الحفاظ على دقة BF16 لمرحلة فك الترميز (decoding)، مما يحقق تسريعاً يصل إلى 3 أضعاف دون تدهور كبير في الأداء.
تقدم هذه الورقة "فقدان الإنتروبيا الرقمية" (Digit Entropy Loss - DEL)، وهو هدف تدريب مبتكر يعيد صياغة تحسين الإنتروبيا غير الخاضع للإشراف إلى إطار عمل خاضع للإشراف وخالٍ من المسافة، وذلك لتحسين دقة النماذج اللغوية الكبيرة في التنبؤ بكل من الأعداد الصحيحة والأعداد العشرية عبر مهام الاستدلال الرياضي وتوليد الكود البرمجي.
تقدم هذه الورقة لغزاً تعاونياً من نوع "الجيغسو" قائماً على الألعاب، يتميز برسوم بيانية توضيحية بأسلوب القصص المصورة، كأداة تعليمية جذابة لتعزيز الثقافة العامة حول الذكاء الاصطناعي من خلال الشرح البصري لآليات عمل الذكاء الاصطناو التوليدي وقدراته وحدوده وآثاره المجتمعية.
تبحث هذه الورقة في تأثير تقنية "سلسلة الأفكار" (Chain-of-Thought) على التحيز الجنساني في النماذج اللغوية الكبيرة، وتخلص إلى أنه على الرغم من قدرتها على موازنة آليات انتباه معينة بشكل سطحي، إلا أنها تفشل في الحد من التحيز فعلياً لأن الصور النمطية الجنسانية الكامنة تظل متجذرة في التمثيلات الخفية، وأن التحسينات الملحوظة تنبع من حفظ البيانات وليس من التفكير الحقيقي.
تقدم هذه الورقة إطار عمل التدريب داخل السياق (ICT) ومسار عمل قائم على التعلم التعزيزي يُمكّن الوكلاء اللغويين من استخلاص الخبرة من التفاعلات السابقة وتحويلها إلى مطالبات نظام قابلة لإعادة الاستخدام، مما يحقق تحسناً ذاتياً عبر المهام وتعمماً في البيئات غير المرئية دون إشراف بشري.
تقدم هذه الورقة نموذج DITTO، وهو نموذج تم تدريبه عبر التعلم التعزيزي باستخدام التغذية الراجعة اللفظية لمحاكاة السلوك البشري بشكل أفضل، إلى جانب مجموعة اختبار SOUL، مما يظهر تحسينات كبيرة في الأداء مقارنة بالنماذج الأساسية وتفوقاً على GPT-5.4 في مهام محاكاة متعددة شبيهة بالبشر.