cs.CL ورقة بحثية

Daedalus-150M: A Convolution-Attention Hybrid Designed for CPU Inference

يُعد Daedalus-150M نموذجاً لغوياً صغيراً صُممت بنيته خصيصاً للاستنتاج الفعال على المعالجات المركزية (CPU) عبر استبدال ثلثي طبقات الانتباه بلفافات ثابتة العرض، مما يحقق سرعة وضغطاً فائقين في السياقات الطويلة مع التفوق على نماذج أكبر وأكثر كثافة في البيانات تم تدريبها على عدد أكبر بكثير من الرموز (tokens).

Christos Koutsiaris2026-08-21

💬 NLP

Inject, Align, Recover: Staged Post-Training for Retrieval-Free Document Knowledge Internalization

تقترح الورقة البحثية إطار عمل IAR، وهو إطار عمل ثلاثي المراحل لما بعد التدريب يعمل بفعالية على استيعاب معرفة المستندات داخل النماذج اللغوية للإجابة على الأسئلة دون الحاجة للاسترجاع، مع الحفاظ بنجاح على قدراتها العامة من خلال الحقن المهيكل، ومواءمة الأسئلة والأجوبة، واستعادة النموذج.

Qian Kou, Xiaofeng Shi, Xiaosong Qiu, Hua Zhou2026-08-21

💬 NLP

AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement

تقدم الورقة البحثية AI4AI-Bench، وهو معيار مرجعي جديد يتكون من 10 مستودعات بحثية ثابتة يقيم قدرة وكلاء النماذج اللغوية الكبيرة على تصميم وإعادة كتابة خوارزميات التدريب من أجل التحسين الذاتي المتكرر، كاشفاً أن أكثر الأنظمة تقدماً في الوقت الحالي تحقق أقل من ربع مكاسب الأداء المحتملة بين الخوارزميات الحالية والحدود المثلى النظرية.

Yizhe Chi, Wenyi Li, Deyao Hong, Xiaoqiu Wang, Mingju Gao, Kaisen Yang, Bingxiang He, Youjie Zheng, Calvin Xiao, Qinhuai (…)2026-08-21

💬 NLP

Using Machine Learning to Detect Fraudulent SMSs in Chichewa

تقدم هذه الورقة أول مجموعة بيانات لرسائل الاحتيال النصية بلغة التشيشواوا، وتثبت أن نماذج تعلم الآلة تحقق دقة عالية على النصوص الأصلية ولكنها تعاني من انخفاض في الأداء عند تدريبها على بيانات مترجمة آلياً، مما يؤكد الحاجة الماسة لمجموعات بيانات ومعالجة خاصة باللغة في كشف الاحتيال متعدد اللغات.

Amelia Taylor, Amoss Robert2026-08-20

📊 statistics

MMD-Flagger: Leveraging Maximum Mean Discrepancy to Detect Hallucinations

تقدم الورقة البحثية MMD-Flagger، وهي طريقة للكشف عن الهلوسة في وقت الاختبار للنماذج اللغوية الكبيرة تستفيد من تباين المتوسط الأقصى (Maximum Mean Discrepancy) لتحليل استقرار المخرجات عبر درجات حرارة فك التشفير المتغيرة، مما يتيح تحديد الأخطاء الواقعية بشكل موثوق دون الحاجة إلى تسميات توضيحية للحقيقة.

Kensuke Mitsuzawa, Damien Garreau2026-08-20

💬 NLP

Pragmatics beyond humans: meaning, communication, and LLMs

تجادل هذه الورقة بأن ظهور النماذج اللغوية الكبيرة يستلزم إعادة تصور للتداولية بما يتجاوز الأطر التقليدية المتمحورة حول الإنسان، مقترحةً بدلاً من ذلك نهج التواصل بين الإنسان والآلة الذي يعالج الانحيازات الأنثروبومورفية (التجسيدية)، ويتبنى نماذج احتمالية مثل "أفعال الكلام العقلانية"، ويراعي مفارقة "إحباط السياق" في تفاعلات الذكاء الاصطناعي التوليدي.

Vít Gvoždiak2026-08-20

💬 NLP

Jailbreaking in the Haystack

تقدم الورقة البحثية NINJA، وهي طريقة لكسر الحماية (jailbreaking) منخفضة الموارد وقابلة للنقل تستغل الحساسية الموضعية للنماذج اللغوية ذات السياق الطويل لتجاوز فلاتر السلامة عبر إلحاق محتوى حميد بأهداف ضارة، مما يثبت أن التوزيع الاستراتيجي ضمن السياقات الممتدة يزيد بشكل كبير من معدلات نجاح الهجوم عبر مختلف النماذج المتطورة.

Rishi Rajesh Shah, Chen Henry Wu, Shashwat Saxena, Ziqian Zhong, Alexander Robey, Aditi Raghunathan2026-08-20

💬 NLP

Repeatability is not recovery: Quantifying algorithmic stability and topic recovery in Latent Dirichlet Allocation

تُبين هذه الورقة أن تكرارية مخرجات تخصيص ديريكليه الكامن (LDA) عبر الجلسات المتكررة لا تضمن الاسترداد الدقيق للمواضيع الكامنة، محتجةً بأن الاستقرار الداخلي واسترداد الحقيقة الأرضية هما خاصيتان متمايزتان يجب تقييمهما بشكل منفصل لتجنب الاستنتاجات المضللة.

Saranzaya Magsarjav, Jonathan Tuke, Lewis Mitchell, Melissa Humphries2026-08-20

💬 NLP

LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum

تقدم الورقة البحثية LACONIC، وهي عائلة من المسترجعات المتفرقة المتعلمة القائمة على Llama3 والتي توظف منهجًا تدريبيًا ثنائي المراحل لتحقيق أداء استرجاع رائد في معيار MTEB مع تقليل استهلاك الذاكرة بشكل كبير وتمكين النشر الفعال على أجهزة وحدة المعالجة المركزية (CPU) العادية.

Zhichao Xu, Shengyao Zhuang, Crystina Zhang, Xueguang Ma, Yijun Tian, Maitrey Mehta, Jimmy Lin, Vivek Srikumar2026-08-20

💬 NLP

Trace, Verify, and Correct: A Training-Free Framework for Spatial Reasoning in Multimodal LLMs

تقترح هذه الورقة إطار عمل لا يتطلب تدريباً يعزز الاستدلال المكاني في النماذج اللغوية الكبيرة متعددة الوسائط من خلال بناء "رسم بياني للأدلة المكانية" للتحقق من مدى صدق سلاسل الاستدلال مقابل الأدلة البصرية، وتحديد التناقضات، وتوجيه النموذج لتصحيح الأخطاء، مما يحسن الدقة بشكل كبير عبر مختلف الاختبارات المرجعية.

Yang Yang, Jiawei Chen, Tairan Chen, Zhaoxia Yin2026-08-20

→ السابق التالي ←