11535 ورقة بحثية
تقدم هذه الورقة DRIP-R، وهو معيار مرجعي جديد مصمم لتقييم قدرات اتخاذ القرار والاستدلال لدى الوكلاء القائمين على النماذج اللغوية الكبيرة في مجال التجزئة، وذلك من خلال اختبار أدائهم بشكل منهجي في سيناريوهات واقعية تتميز بوجود غموض متأصل في السياسات حيث لا يوجد حل واحد صحيح.
تقترح هذه الورقة إطاراً للتعلم التعزيزي يعامل مقياس التوجيه الخالي من التصنيف في نماذج الانتشار اللغوية كإجراء تحكم ديناميكي قابل للتعلم بدلاً من كونه معلماً فائقاً ثابتاً، مما يثبت أن مسارات التوجيه التكيفية تحسن بشكل كبير المقايضة بين القدرة على التحكم وجودة التوليد عبر مختلف مهام معالجة اللغات الطبيعية.
تقدم الورقة البحثية SimCT، وهي طريقة للتقطير داخل السياسة (on-policy distillation) تعمل على استعادة إشارات إشراف المعلم المفقودة في إعدادات اختلاف أجهزة التجزئة (cross-tokenizer settings) من خلال مقارنة التتمات متعددة الرموز التي يمكن لكلا النموذجين تحقيقها، مما يتغلب على قيود المطابقة الدقيقة للرموز المشتركة ويحسن الأداء في مهام الاستدلال وتوليد الكود.
تقدم الورقة البحثية TextLDM، وهو إطار عمل للنمذجة اللغوية يعمل على تكييف بنية محول الانتشار البصري (DiT) مع توليد النصوص عبر رسم خرائط الرموز المنفصلة إلى كامنات مستمرة بواسطة مشفر فك تشفير تلقائي (VAE) معزز بمحاذاة التمثيل (REPA)، محققاً أداءً يضاهي GPT-2 ومتقدماً نحو هدف نماذج الانتشار متعددة الوسائط الموحدة.
تجادل هذه الورقة بأن التتبع القوي للحالة في النماذج المتكررة يعتمد بشكل حاسم على ديناميكيات التحكم في الخطأ بدلاً من مجرد القدرة التعبيرية النظرية، مبرهنةً على أن الشبكات المتكررة التآلفية تفشل حتماً في المهام ذات الآفاق الطويلة بسبب عجزها عن تصحيح الأخطاء المباعدة بين الحالات، مما يؤدي إلى انهيار التتبع المتوقع بمجرد تجاوز الانتشار داخل الفئة لعتبة القابلية للقراءة لدى فك التشفير.
تقدم هذه الورقة طريقة لتقدير وتحليل ملفات تعريف عدم اليقين لمسارات استدلال النماذج اللغوية، مما يثبت أن الأنماط المتميزة في هذه الملفات يمكنها التنبؤ بصحة الإجابة بدقة عالية وتمكين الكشف المبكر عن الأخطاء.
إن CktFormalizer هو إطار عمل يستفيد من لغة وصف العتاد (HDL) ذات النوع التابع في لغة Lean 4 لتوجيه النماذج اللغوية الكبيرة (LLMs) نحو توليد أوصاف للعتاد مضمونة من حيث الصحة النحوية، وخالية من العيوب التي تكسر عملية التصنيع (synthesis)، ومحققة للتحقق الوظيفي من خلال براهين مدققة آلياً، مما يحقق قابلية تنفيذ تقترب من المثالية في الواجهة الخلفية ويسمح بالتحسين الآمن والآمن لمقاييس الأداء واستهلاك الطاقة والمساحة (PPA).
تُثبت هذه الورقة أن نهجاً هجيناً يجمع بين ميزات TF-IDF والبيانات الوصفية مع مصنف الانحدار اللوجستي المتوازن يتفوق على نموذج MLP العصبي المرجعي من حيث النشر العملي لتحليل المشاعر ثلاثي الفئات على مجموعة بيانات صغيرة وغير متوازنة لوسائل التواصل الاجتماعي الإندونيسية.
تقارن هذه الدراسة بين نهجي تعلم الآلة الكلاسيكي والتعلم العميق لتصنيف المشاعر في مراجعات IMDb، حيث وجدت أن نموذج آلة المتجهات الداعمة القائم على (TF-IDF) يتفوق على نماذج (BiLSTM) بدقة بلغت 0.8530، مما يثبت أن هندسة الميزات الفعالة يمكن أن تجعل الطرق الكلاسيكية متفوقة على التعلم العميق في السيناريوهات محدودة الموارد.
تقدم OrScale آلية لتقليص نسبة الثقة على مستوى الطبقات للتحسين المتعامد، والتي تقيس اتجاه التحديث الفعلي في فضاء المعلمات للتغلب على قيود هجينات Muon الحالية، مما يحقق ضمانات تقارب وأداءً تجريبيًا متفوقًا في كل من مهام تصنيف الصور وتدريب النماذج اللغوية الكبيرة.