11070 ورقة بحثية
بينما يمكن للنماذج اللغوية الكبيرة التنبؤ بفعالية بمخاطر الفشل العامة لتبرير التصعيد إلى التعاون، إلا أنها تعاني حالياً من صعوبة في التحديد الدقيق لبروتوكول التعاون النوعي (مثل التصحيح الذاتي التكراري، أو المخطط-المنفذ-المراجع، أو المداولة متعددة الوكلاء) الذي سيحقق أفضل مقايضة بين التكلفة والأداء لمهمة استدلالية معينة.
تقدم هذه الورقة طريقة "التوقيعات المتبقية المركزية" (Centered Residual Signatures)، وهي طريقة تعتمد على الصندوق الأبيض ولا تتطلب بيانات، للتحقق من نسب نماذج اللغات ذات الأوزان المفتوحة عبر تحليل آثار هيكلية فريدة في الكتل المتبقية، مما يتيح التمييز الدقيق بين النسخ ذات الصلة وغير ذات الصلة بغض النظر عن عمليات الضبط الدقيق أو الدمج أو التكميم.
تقدم الورقة البحثية DA-RAC، وهي طريقة معايرة قائمة على المراجع وواعية للمسافة، تعمل على تحسين موثوقية حكام النماذج اللغوية الكبيرة من خلال استرجاء وتوزين المراجع المصنفة والمتشابهة دلاليًا للتخفيف من حدة سوء المعايرة الناجم عن السياق وتقليل مخاطر التقييمات الإيجابية الكاذبة في تدقيق الذكاء الاصطناعي.
تكشف ثلاث دراسات استشرافية حول "كلود أوبوس 5" أنه في حين بدا أن البيانات الوصفية لنتائج الأدوات تزيد في البداية من تبني الادعاءات الكاذبة مقارنة بالتوكيدات المجردة، إلا أن عمليات التكرار اللاحقة المسجلة مسبقاً أظهرت أن هذا التأثير لم يكن ثابتاً ولا متفوقاً على تأثير النص المضمن المعلن عنه صراحةً.
تتحدى هذه الورقة فرضية "بوابة القبول" للوصول إلى المتغيرات الكامنة في النماذج اللغوية، مبرهنةً بدلاً من ذلك على أن آليات الانتباه القائمة على الطلب تجمع المعلومات ضمن نافذة محددة في العمق المتوسط لجعل المتغيرات قابلة للتقرير لفظياً، وهي عملية تختلف عن المنفعة الفعلية للمتغير بالنسبة للإجابة النهائية.
يُعد Handoff-H1 نظام وكيل رؤية مُنسق يدمج نماذج رؤية حاسوبية متخصصة، ووكلاء مستخدمين للأدوات، وقاعدة معرفية إنشائية لتحقيق استخراج متطور لحجم كميات المواد من المخططات المعمارية الخام، متفوقاً بذلك على كل من النماذج الذكية الرائدة والمقدرين المهنيين المستقلين من حيث التغطية والدقة.
يقدم RecurrentGPT بنية محول ذات عمق متكرر تكرر طبقة أساسية مشتركة واحدة مع تعديل بوابي، محققةً دقة فائقة وكفاءة في الذاكرة مقارنة بالمحولات العميقة القياسية من خلال المقايضة الفعالة لعدد المعلمات مقابل إعادة استخدام العمق التكيفي.
يقدم Evo-Harness إطار عمل لوكيل ذاتي التطور يعالج تحدي التعلم من التفاعلات الصاخبة وذات المحاولة الواحدة في المهام الواقعية الجديدة عبر توظيف تجميع المهارات من السياق إلى "الحزام" (harness) لتقطير التجارب إلى أحزمة مهارات مهيكلة وقابلة لإعادة الاستخدام من أجل تحسين مستمر عبر المجالات المختلفة.
تقترح هذه الورقة دراسة تجريبية حول "المجزئات ذات الإكمال التلقائي" (autocompleting tokenizers)، وهي طريقة تستخدم نموذجاً ذاتي الانحدار خفيف الوزن للتنبؤ بالبايتات الزائدة وحذفها من التسلسلات المدخلة قبل معالجتها بواسطة نماذج المحولات (Transformer)، مما يقلل بشكل كبير من التكاليف الحسابية وأطوال التسلسلات في مهام الترجمة الآلية عبر لغات متنوعة دون المساس بجودة الترجمة.
تحدد هذه الورقة ظاهرة "المرساة الشبحية" (Ghost Anchor)، حيث تؤدي الترجمة المتمحورة حول اللغة الإنجليزية في الطبقات المبكرة إلى جعل الإشارات البصرية غير مرئية وظيفياً في النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) ومتعددة اللغات، وتقترح إطار عمل ANCHOR مع خاصية "الترسيخ البصري الاستباقي" لاستعادة المحاذاة البصرية اللغوية وتحسين أداء الاستدلال البصري لغير اللغات الإنجليزية بشكل كبير.