11158 ورقة بحثية
تقدم هذه الورقة إطار تقييم شامل يجمع بين التشخيص من الأعلى إلى الأسفل والتقييم على مستوى النطاق من الأسفل إلى الأعلى لتحديد وتصنيف الإخفاقات في الوكلاء الاصطناعيين بفعالية، محققةً أداءً هو الأفضل حالياً في اختبارات TRAIL، ومثبتةً أن منهجية التقييم، وليس قدرة النموذج، هي العائق الأساسي في تشخيص الوكيل.
تُقارن هذه الدراسة بين سبعة من النماذج التأسيسية في النصوص القانونية الأوكرانية، كاشفةً أن كفاءة أداة التجزئة (tokenizer) تؤثر بشكل كبير على تكاليف واجهة برمجة التطبيقات (API)، وأن نموذج NVIDIA Nemotron Super 3 بـ 120 مليار معلمة يتفوق على نموذج Mistral Large 3 الأكبر حجماً بجزء بسيط من التكلفة، وأن التلقين بصفر محاولة (zero-shot prompting) يتفوق على التلقين ببضع محاولات (few-shot prompting) لهذه اللغة الغنية صرفياً.
تُعرّف هذه الدراسة وتُحدد كمياً ظاهرة "الإغلاق المبكر" في النماذج اللغوية الكبيرة الرائدة بوصفها ميلها لتقديم إجابات غير ملائمة في حالات عدم اليقين، مما يكشف عن معدلات فشل عالية عبر الاختبارات المعيارية الطبية ويُظهر أنه بينما يوفر التوجيه الأمني بعض التخفيف، إلا أن مخاطر الثقة المفرطة تظل قائمة بشكل كبير.
تقدم هذه الورقة "رسم بياني للمساهمات العلمية" (Scientific Contribution Graph)، وهو مورد واسع النطاق يضم مليوني مساهمة مستخرجة و12.5 مليون حافة متطلب سابق من 230,000 ورقة بحثية، لتمكين رسم الخرائط التكنولوجية المؤتمت ودعم الاكتشاف العلمي من خلال التنبؤ بالمتطلبات السابقة.
تُثبت هذه الورقة أن النماذج اللغوية الصغيرة يمكن أن تعمل كزملاء تنافسيين ومحافظين على الخصوصية في تصميم التقييم التعليمي من خلال مضاهاة النماذج اللغوية الكبيرة في توليد أسئلة متوافقة تربوياً، مع تسليط الضوء على ضرورة الإشراف البشري بسبب التحيزات المنهجية في التقييم الآلي.
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة تُبدي تكيفاً لغوياً ومنهجياً وصياغةً رسميةً للسجل اللغوي عندما تدرك وجود مراقبة اجتماعية، حيث تستثير المراقبة البشرية تغييرات سلوكية أقوى من المراقبة الآلية بالذكاء الاصطناعي، مما يكشف عن قدرتها على العمل التواصلي الاستراتيجي في السياقات ذات البنية الاجتماعية.
تقدم الورقة البحثية Orchard، وهو إطار عمل مفتوح المصدر يتميز بطبقة بيئة خفيفة الوزن (Orchard Env) ووصفات تدريب متخصصة تتيح نمذجة وكيلة قابلة للتوسع وعالية الأداء عبر مجالات البرمجة، وواجهات المستخدم الرسومية (GUI)، والمساعد الشخصي، محققةً بذلك نتائج رائدة بين النماذج مفتوحة المصدر.
تحدد هذه الورقة وتُحدد كمياً ظاهرة "المفارقة التاريخية الثقافية" —وهي ميل نماذج الرؤية واللغة إلى إساءة تفسير القطع الأثرية التاريخية باستخدام مفاهيم غير ملائمة زمنياً— من خلال تقديم معيار (TAB-VLM)، الذي يكشف عن فجوات أداء كبيرة في النماذج الرائدة عند التفكير في التراث الثقافي الهندي.
تقدم هذه الورقة AsyncFC، وهو إطار عمل يقلل من زمن انتقال وكلاء النماذج اللغوية الكبيرة (LLM agents) عن طريق فصل فك تشفير النموذج عن تنفيذ الدوال لتمكين استخدام الأدوات بشكل غير متزامن ومتوازٍ دون الحاجة إلى أي ضبط دقيق للنموذج أو تغييرات في البروتوكول.
تقدم هذه الورقة إطار عمل قابلاً لإعادة الإنتاج وغير مرتبط بمجموعة بيانات محددة، يقوم بتحويل معايير استدعاء الأدوات القائمة على النصوص إلى تقييمات صوتية دون الحاجة إلى إعادة التوسيم، مما يكشف عن فجوات أداء كبيرة تعتمد على النموذج بين النص والصوت، مع التحقق من فعالية النماذج اللغوية الكبيرة مفتوحة المصدر كأدوات تقييم فعالة وتحافظ على الخصوصية.