11611 ورقة بحثية
تقدم الورقة البحثية "وكيل قاعدة بيانات المواد" (Material Database Agent - MDA)، وهو إطار عمل متعدد الوكلاء، متعدد الوسائط، وتركيبي، يعمل على أتمتة استخراج البيانات المهيكلة من ملفات PDF الخاصة بالأدبيات العلمية لبناء قواعد بيانات مواد على نطاق إنتاجي بكفاءة.
تقدم هذه الورقة NoisyCausal، وهو معيار لتقييم الاستدلال السببي في ظل وجود ضوضاء مهيكلة، وتقترح إطار عمل معياري يعزز أداء النماذج اللغوية الكبيرة من خلال الجمع بين معالجة اللغات الطبيعية وهياكل الرسوم البيانية السببية الرمزية الصريحة لتحقيق استدلال قوي وقابل للتفسير.
تقدم هذه المساهمة "Budgeted LoRA"، وهو إطار عمل للتقطير يعامل ضغط النموذج كمسألة مهيكلة لتخصيص الموارد الحسابية لإنتاج نماذج طالبة ذات كفاءة استدلال صريحة عبر إعادة تخصيص السعة ديناميكيًا بين المسارات الكثيفة ومنخفضة الرتبة تحت ميزانية حسابية عالمية.
يُعد Coral نظاماً لخدمة النماذج اللغوية الكبيرة المتعددة (multi-LLM) يتسم بالتكيف والوعي بالتباين، حيث يعمل على تحسين تخصيص الموارد واستراتيجيات الخدمة بشكل مشترك عبر وحدات معالجة الرسومات السحابية المتنوعة، محققاً خفضاً في التكلفة يصل إلى 2.79 ضعفاً وزيادة في الإنتاجية الجيدة (goodput) بمقدار 2.39 ضعفاً، وذلك باستخدام عملية تفكيك ثنائية المرحلة غير فاقدة للمعلومات لتمكين اتخاذ قرارات سريعة وشبه مثالية.
تُعد "لغة التلغراف الإنجليزية" (Telegraph English - TE) بروتوكولاً مبتكراً لضغط المطالبات، حيث تعيد كتابة اللغة الطبيعية إلى لهجة غنية بالرموز وهيكلية من سطور الحقائق الذرية، محققةً دقة فائقة وقدرات فهرسة دلالية عبر نماذج متنوعة مقارنة بطرق حذف الرموز الحالية مثل LLMLingua-2.
تقدم هذه المساهمة "التعلم المرتكز" (Anchored Learning)، وهو إطار عمل يخفف من حدة النسيان الكارثي في الضبط الدقيق الخاضع للإشراف للنماذج اللغوية الكبيرة عبر توظيف مرساة متحركة تتطور ديناميكياً للتحكم في انزياح التوزيع، مما يحقق مكاسب في الأداء تقترب من المستوى الأمثل مع تقليل تدهور القدرات بشكل كبير مقارنة بالطرق القياسية.
يقدم SpecPL إطار عمل جديد لتعلم التلقين، يقوم بفك ارتباط الحبيبية الطيفية عبر إشراف الحبيبية المضادة للواقع لسد عدم التماثل في الأنماط في نماذج الرؤية واللغة، محققاً أداءً هو الأفضل في فئته في 11 معياراً من خلال تنشيط النماذج المرجعية الموجهة نحو النصوص عبر التوجيه البصري.
تقدم الورقة البحثية إطار عمل BOND، الذي يقوم بتقطير استنتاج المعلم البايزي القائم على النماذج اللغوية الكبيرة (LLM) لمعتقدات الخصم الصريح إلى نموذج طالب أصغر بحجم 8 مليارات بارامتر، محققاً أداءً متفوقاً في التفاوض وتتبعاً قابلاً للتدقيق للمعتقدات مقارنة بالنماذج المرجعية الرائدة.
حقق نظام فريق RaguTeam الفائز في المهمة 8 لعام 2026 SemEval، والذي يستخدم مجموعة غير متجانسة من سبعة نماذج لغوية كبيرة يتم تنسيقها بواسطة حَكَم من طراز GPT-4o-mini لاختيار الاستجابة الأفضل، المركز الأول من خلال التفوق بشكل كبير على أقوى خط أساس مع تقديم نموذج Meno-Lite-0.1 منخفض التكلفة وانتقاد قيود التوسيم الخاصة بالمهمة.
يعالج RLearner-LLM انحياز الإطناب وفجوات التوافق المنطقي في تحسين التفضيل المباشر القياسي من خلال تقديم إطار عمل DPO هجين يدمج إشارات الاستدلال اللغوي الطبيعي (NLI) مع درجات نماذج اللغة الكبيرة للتحقق، محققاً تحسينات كبيرة في الصحة المنطقية وتغطية الإجابات عبر مختلف المجالات الأكاديمية وبنيات النماذج مع إلغاء الحاجة إلى التعليق البشري.