11158 ورقة بحثية
تتحدى هذه الورقة الافتراض القائل بأن التفسير الآلي يزداد سوءاً بطبيعته مع حجم النموذج، مبرهنةً بدلاً من ذلك على أن الخيارات المعمارية مثل انتباه الاستعلام المجموع وعتبات القياس المحددة تؤدي إلى تحديد أكثر تركيزاً واستقراراً للدوائر في النماذج اللغوية الكبيرة.
تقترح هذه الورقة طريقة فعالة حاسوبياً للكشف عن الهلوسة تستبدل حسابات الاتساق الدلالي المكلفة المستخدمة في مناهج التعلم التداخلي متعدد الوسائط (MIL) المتطورة بشبكة تجميع قصوى (max-pooling) وطبقة إدراك متعدد الطبقات (MLP) خفيفة الوزن، محققةً أداءً تنافسياً من خلال الاستفادة من الرؤى النظرية حول توسيع هامش القرار.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة ذات التكميم المفرط تعاني من تدهور منهجي في السلاسة يؤدي إلى رداءة جودة التوليد، وتقترح مبدأً حافظاً للسلاسة يحقق مكاسب في الأداء تتجاوز مجرد التحسينات في الدقة العددية.
تقدم هذه الورقة FragileFlow، وهو منظم إضافي (plug-in regularizer) يعمل على صياغة والتحكم في أخطاء التنبؤ "الصحيحة ولكن الهشة" عبر تحليل طيفي مدرك للهامش (margin-aware spectral analysis) لتحسين متانة الحالة الأسوأ (worst-class robustness) في النماذج التأسيسية مع الحفاظ على دقة البيانات النظيفة.
تكشف هذه الورقة أن خلفية (MPS) الخاصة بشركة أبل تظهر طفرات زمنية غير رتيبة وغير متوقعة أثناء الاستدلال التوليدي (autoregressive inference)، حيث يمكن لأداء فك الترميز أن يتدهور فجأة بمقدار يصل إلى 21 ضعفاً لإعدادات محددة بسبب ديناميكيات تنفيذ الخلفية، مما يتناقض مع التوسع السلس الملحوظ في أنظمة المعالجات المركزية (CPU) وأنظمة (NVIDIA CUDA).
تقترح هذه الورقة "الارتباط التبايني المتوافق مع السياق" (Context-Aligned Contrastive Regression)، وهو إطار عمل مبتكر يجمع بين تجميع انحدار ريدج (Ridge regression ensembling) والتعلم التبايني عبر الرؤى والترتيبي لتعزيز التنبؤ بالصعوبة المعجمية من خلال تحسين المحاذاة عبر اللغات، واستيعاب الهياكل الترتيبية، والتخفيف من الانحيازات المنهجية للنماذج.
تقدم الورقة البحثية نموذج LLiMba، وهو نموذج لغوي للغة السردينية بـ 3 مليارات معلمة تم تكييفه على وحدة معالجة رسومات استهلاكية واحدة عبر التدريب المسبق المستمر والضبط الدقيق، مما يثبت أن تكوين rsLoRA عالي الرتبة يتفوق على طرق التكيف الأخرى في جودة الترجمة مع تسليط الضوء على القيود الحرجة للمقاييس القياسية في رصد الإخفاقات النوعية مثل تسرب النصوص (script leakage) والهلوسة الواقعية.
تقدم هذه الورقة GAMBIT، وهو معيار ومجموعة بيانات مبتكرة تتميز بخصوم تكيفيين متطورين في مجموعات من النماذج اللغوية الكبيرة متعددة الوكلاء، لإثبات أن التقييم بنمط "الصفر محاولة" (zero-shot) مضلل تجاه التهديدات التكيفية، وأن إعادة المعايرة بنمط "القليل من الأمثلة" (few-shot) أمر بالغ الأهمية للكشف القوي عن المنتحلين.
تُظهر هذه الدراسة أن الاستدلال البراغماتي (التداولي) في النماذج اللغوية الكبيرة، والذي تم تقييمه من خلال التنوع القياسي، ليس كفاءة مستقرة بل هو تفاعل متغير بين التمثيلات الاحتمالية الداخلية وسلوكيات التلقين المستحثة بالمهام، مما يسلط الضوء على التأثير الحاسم لتصميم التقييم على تفسير قدرات النموذج.
تُصوّر هذه الورقة البحثية تباعد المعنى الوجداني (AMD) كمتنبئ حاسم لانهيار العلاقات، مُثبتةً من خلال النمذجة القائمة على نظرية الألعاب والتحليل التجريبي للبيانات الحوارية أن المحادثات تمر بانهيار مفاجئ وتراجعي في تنسيق الإصلاح عندما يتجاوز الحمل الناجم عن تباعد المعنى الوجداني عتبة محددة، وهي ظاهرة تتميز بخصائص "التباطؤ الحرج" التي تتفوق على مقاييس السُميّة والمشاعر التقليدية.