11683 ورقة بحثية
تقدم هذه الورقة CalibAdv، وهي طريقة مبتكرة لمعايرة الميزة تخفف من عدم الاستقرار وتدهور الأداء في تحسين السياسة النسبية للمجموعات (GRPO) في وكلاء البحث العميق، وذلك من خلال خفض دقيق للمزايا السلبية المفرطة بناءً على صحة الخطوات المتوسطة وإعادة توازن توزيع المزايا.
تقترح هذه الورقة وتقيم سبع تقنيات للكشف عبر المجالات عن حقن الأوامر (prompt injection) — مستمدة من مجالات مثل المعلوماتية الحيوية، والاقتصاد، ونظرية المترجمات — للتغلب على قيود أساليب التعبيرات النمطية (regex) والمصنفات الضبطية (fine-tuned classifiers) الحالية، مع دمج ثلاث من هذه الطرق بنجاح في إصدار prompt-shield v0.4.1 وإظهار تحسينات كبيرة في مقياس F1 score.
تقدم هذه الورقة أول تحليل للعدالة على مستوى الطبقات لنماذج الكلام ذات التعلم الذاتي، كاشفةً أن تحيزات مجموعات المتحدثين تظهر من الطبقات الأولى وتُظهر علاقة عكسية بين تحديد هوية المتحدث والأداء في التعرف التلقائي على الكلام، مما يشير إلى أن هذه التحيزات تتشكل أثناء مرحلة ما قبل التدريب وتستمر حتى بعد الضبط الدقيق.
تقدم الورقة البحثية DocQAC، وهو إطار عمل جديد لفك التشفير الموجه بالتري (trie) التكيفي يستفيد من السياق الخاص بالوثيقة وآلية عقوبة تكيفية للتفوق على النماذج الضخمة المضبوطة للتعليمات في الإكمال التلقائي للاستعلام داخل الوثيقة مع تقديم كفاءة وقابلية توسع أكبرين.
تُثبت هذه الورقة أن النماذج اللغوية تُشفّر تمثيلاً داخلياً وقابلاً للتعميم لأهمية خطوات الاستدلال ضمن تنشيطاتها، مما يكشف أن تحليل المكونات الداخلية للنموذج يوفر رؤى أعمق في عمليات الاستدلال مقارنة بالتحليل السطحي للرموز (tokens).
تجادل هذه الورقة بأن تفسيرات الذكاء الاصطناعي للغة الطبيعية يجب أن تتبنى بنية سردية لدعم الفهم البشري بشكل أفضل، وتقترح سبعة مقاييس آلية جديدة لتقييم جودة السرد عبر أربعة أبعاد رئيسية، وتستعرض قواعد توليد لتحسين القدرة التفسيرية لمخرجات الذكاء الاصطناعي القابل للتفسير بما يتجاوز قوائم الميزات القياسية.
تقدم الورقة البحثية FregeLogic، وهو نظام هجين عصبي-رمزي لمهمة SemEval-2026 Task 11 يجمع بين مجموعة من النماذج اللغوية الكبيرة ومحلل Z3 SMT لحل أخطاء التحيز المحتوي في التنبؤ بصحة القياس المنطقي، محققاً دقة بنسبة 94.3% ومقللاً بشكل كبير من مقياس تأثير المحتوى من خلال التحقق الرسمي المستهدف في الحالات المتنازع عليها.
يُعد HiGMem نظام ذاكرة هرمي موجه بنماذج اللغات الكبيرة (LLM) يعمل على تحسين الوكلاء الحواريين طويلي الأمد عبر استخدام ملخصات الأحداث كمرتكزات دلالية لاسترجاع مجموعات أدلة موجزة وعالية الدقة، متفوقاً بشكل كبير على الأساليب الحالية في معيار LoCoMo10 مع استرجاع عدد أقل بكثير من جولات الحوار.
تقدم هذه الورقة StepPO، وهو إطار عمل يعزز التعلم التعزيزي الوكيل عبر نقل نموذج التحسين من عمليات ماركوف لاتخاذ القرار على مستوى الرمز (token-level) إلى مستوى الخطوة (step-level)، مما يؤدي إلى مواءمة تحديثات السياسة وتخصيص الائتمان مع التدرج الطبيعي لقرارات الوكيل للتعامل بشكل أفضل مع التفاعلات متعددة الأدوار، والمكافآت الشحيحة، واستخدام الأدوات المعقدة.
تقترح هذه الورقة إطار عمل مبني على التعلم التعزيزي المنهجي للامتناع الديناميكي أثناء التوليد في النماذج اللغوية الكبيرة، مما يثبت أن إنهاء مسارات الاستدلال غير الواعدة عندما تنخفض قيمتها المقدرة عن عتبة المقايضة بين الحوسبة والمعلومات يحسن بشكل كبير من الدقة الانتقائية والكفاءة مقارنة بالطرق الحالية.