11683 ورقة بحثية
تقدم هذه الورقة البحثية PIIBench، وهو متن مرجعي موحد يدمج عشر مجموعات بيانات متنوعة في تنسيق معياري لمعالجة التجزؤ في موارد كشف معلومات الهوية الشخصية (PII)، كاشفاً أن الأنظمة الحالية المتطورة تعاني بشكل كبير في هذه المهمة بتحقيق درجات F1 على مستوى الامتداد تقل عن 0.14.
تقدم هذه الورقة إطار عمل للتقليم (pruning) كفؤاً في استهلاك الموارد وخالياً من التدرج (gradient-free)، يحدد ويزيل "التذاكر غير الآمنة" (المعلمات التي تسبب سلوكيات ضارة) من النماذج اللغوية الكبيرة لتعزيز السلامة والمتانة ضد عمليات الاختراق (jailbreaks) مع الحفاظ على الفائدة بأقل تكلفة حوسبية.
تقدم هذه الورقة إعادة تقييم منهجي للطرق التي لا تتطلب تدريباً لتعزيز موثوقية النماذج اللغوية الكبيرة، حيث تصنفها حسب مستوى التدخل لتحليل مقايضاتها في المنفعة، والمتانة، والتكلفة الحسابية، مع تقديم توصيات عملية لموازنة هذه العوامل دون الحاجة إلى تدريب إضافي.
تقدم هذه الورقة إطار عمل للضبط الدقيق بالتقطير الذاتي (SDFT) لاستعادة أداء النماذج اللغوية الكبيرة (LLM) الذي تدهور بسبب الضغط أو النسيان الكارثي، مدعوماً بأدلة نظرية تُظهر أن الاستعادة ترتبط بمحاذاة المتشعب عالي الأبعاد للنموذج الطالب مع البنية المثلى للنموذج المعلم عبر محاذاة النواة المركزية.
تقدم الورقة البحثية إطار عمل CHOP، الذي يعزز عملية التوليد المعزز بالاسترجاع (RAG) على مجموعات البيانات متعددة المستندات باستخدام عملية تكرارية مدفوعة بنماذج اللغات الكبيرة (LLM) مع مستخرج CNM ووحدة قرار الاستمرارية لتوليد تواقيع قطع سياقية، مما يؤدي إلى حل النزاعات الدلالية بين المستندات المتشابهة وتحسين دقة الاسترجاع بشكل كبير.
يُعد Qwen3.5-Omni نموذجاً متعدد الوسائط فائق القدرة، يتكون من مئات المليارات من المعلمات، ويتميز ببنية خلط الخبراء ذات الانتباه الهجين وآلية محاذاة ARIA، والتي تحقق أداءً متفوقاً في الفهم السمعي البصري متعدد اللغات، والاستدلال طويل السياق، وقدرات "برمجة الأجواء السمعية البصرية" الناشئة.
تقدم هذه الورقة البحثية "Mouse"، وهو معيار متخصص لتقييم النماذج اللغوية الكبيرة في لغة الثقافة الفرعية الصينية على الإنترنت المعروفة باسم "Chouxiang"، كاشفةً أنه في حين تتفوق النماذج الحالية في الفهم الدلالي السياقي، إلا أنها تعاني في مهام أخرى بسبب قيود محددة في إتقان هذه الظاهرة اللغوية المتطورة.
تقدم الورقة البحثية إطار عمل CiPO، وهو إطار عمل مبتكر يعالج تحديات "إلغاء التعلم" (unlearning) في نماذج الاستدلال الكبيرة من خلال التوليد المتكرر لآثار استدلال مضادة للواقع من أجل تحسين التفضيلات، مما يؤدي بفعالية إلى إزالة المعرفة غير المرغوب فيها من كل من خطوات "سلسلة الأفكور" (chain-of-thought) والإجابات النهائية مع الحفاظ على أداء الاستدلال العام.
يُعد DiZiNER إطار عمل مبتكر يحاكي التوسيم الذي يقوم به الطيار البشري من خلال الاستفادة من التباينات بين النماذج المتعددة لنماذج اللغات الكبيرة (LLMs) لتنقيح تعليمات المهام بشكل تكراري، مما يحقق أداءً رائدًا في التعرف على الكيانات المسماة بنمط الصفر (zero-shot) عبر 18 معيارًا ويقلص الفجوة بشكل كبير مع الأنظمة الخاضعة للإشراف.
تكشف هذه الورقة عن عدم تماثل ملحوظ في الكفاءة التداولية للنماذج اللغوية الكبيرة، حيث تُظهر أنها تؤدي باستمرار بشكل أفضل كـمستمعين يحكمون على الملاءمة اللغوية منها كمتحدثين يولدون لغة ملائمة تداولياً.