cs.CL ورقة بحثية

JFinTEB: Japanese Financial Text Embedding Benchmark

تقدم هذه الورقة JFinTEB، وهو أول معيار شامل مصمم لتقييم تضمينات النصوص المالية اليابانية عبر مهام الاسترجاع والتصنيف المتنوعة، مما يعالج الفجوات الحرجة في الموارد الخاصة باللغة والمجال من خلال توفير إطار تقييم ومعايير بيانات للمجتمع.

Masahiro Suzuki, Hiroki Sakaji2026-04-20

💬 NLP

MUSCAT: MUltilingual, SCientific ConversATion Benchmark

تقدم ورقة MUSCAT معياراً جديداً متعدد اللغات يتضمن مناقشات علمية ثنائية اللغة لتقييم وتسليط الضوء على أوجه القصور في أنظمة التعرف التلقائي على الكلام الحالية في التعامل مع المدخلات مختلطة اللغات، والمفردات المتخصصة، والتبديل اللغوي.

Supriti Sinhamahapatra, Thai-Binh Nguyen, Yiğit Oğuz, Enes Ugan, Jan Niehues, Alexander Waibel2026-04-20

💬 NLP

Polarization by Default: Auditing Recommendation Bias in LLM-Based Content Curation

تكشف هذه الدراسة أن تنسيق المحتوى القائم على النماذج اللغوية الكبيرة يضخم الاستقطاب بشكل منهجي ويظهر تحيزات متميزة خاصة بكل مزود فيما يتعلق بالتعامل مع السمية والمشاعر، بينما يفرط باستمرار في تمثيل المؤلفين ذوي التوجه اليساري على تويتر/إكس بغض النظر عن استراتيجيات التلقين المستخدمة.

Nicolò Pagan, Christopher Barrie, Chris Andrew Bail, Petter Törnberg2026-04-20

💬 NLP

A Case Study on the Impact of Anonymization Along the RAG Pipeline

تُظهر هذه الحالة الدراسية تجريبياً أن موضع إخفاء الهوية ضمن مسار التوليد المعزز بالاسترجاع (RAG) — وتحديداً ما إذا كان يُطبق على مجموعة البيانات الأساسية أو على الإجابة المولدة — يؤثر بشكل كبير على مقايضات الخصوصية والمنفعة الناتجة.

Andreea-Elena Bodea, Stephen Meisenbacher, Florian Matthes2026-04-20

🤖 AI

Weak-Link Optimization for Multi-Agent Reasoning and Collaboration

تقترح هذه الورقة إطار عمل WORC، وهو إطار عمل ثنائي المراحل يعزز استقرار الاستدلال متعدد الوكلاء باستخدام متنبئ قائم على التعلم الميتا لتحديد الوكلاء الضعفاء واستراتيجية مدفوعة بعدم اليقين لتخصيص ميزانيات استدلال إضافية لهم، مما يؤدي إلى تحسين دقة النظام وإحكام متانة النظام بشكل عام.

Haoyu Bian, Chaoning Zhang, Jiaquan Zhang, Xingyao Li, Yuanfang Guo, Wei Dong, Yang Yang2026-04-20

💬 NLP

SCHK-HTC: Sibling Contrastive Learning with Hierarchical Knowledge-Aware Prompt Tuning for Hierarchical Text Classification

تقدم الورقة البحثية SCHK-HTC، وهو إطار عمل جديد لتصنيف النصوص الهرمي في ظل ندرة البيانات (few-shot) يجمع بين ضبط الضبط (prompt tuning) الهرمي المدرك للمعرفة والتعلم التبايني للأشقاء لتعزيز قدرة النموذج على التمييز بين الفئات الشقيقة المتشابهة دلاليًا وتحقيق أداء فائق على مجموعات البيانات المرجعية.

Ke Xiong, Qian Wu, Wangjie Gan, Yuke Li, Xuhong Zhang2026-04-20

💬 NLP

Where does output diversity collapse in post-training?

تُثبت هذه الورقة أن انهيار تنوع المخرجات في النماذج اللغوية بعد مرحلة التدريب النهائي يتحدد أساساً بتكوين بيانات التدريب بدلاً من تنسيقات التوليد أو أساليب التدريب النهائي المحددة، مما يكشف أن فقدان التنوع الدلالي يكون متجذراً في أوزان النموذج أثناء الضبط الدقيق الخاضع للإشراف ولا يمكن معالجته في وقت الاستنتاج وحده.

Constantinos Karouzos, Xingwei Tan, Nikolaos Aletras2026-04-20

💬 NLP

Stochasticity in Tokenisation Improves Robustness

تُثبت هذه الورقة أن تدريب النماذج اللغوية الكبيرة باستخدام ترميزات عشوائية ذات عينات منتظمة يعزز بشكل كبير من متانتها ضد الاضطرابات العدائية والعشوائية مع الحفاظ على الدقة وكفاءة الاستدلال.

Sophie Steger, Rui Li, Sofiane Ennadir, Anya Sims, Arno Solin, Franz Pernkopf, Martin Trapp2026-04-20

💬 NLP

Towards Intrinsic Interpretability of Large Language Models:A Survey of Design Principles and Architectures

تقدم هذه الورقة مسحاً منهجياً للقدرة على التفسير الجوهري في النماذج اللغوية الكبيرة، حيث تصنف التطورات الأخيرة إلى خمسة نماذج تصميمية — الشفافية الوظيفية، ومواءمة المفاهيم، والقابلية لتفكيك التمثيلات، والنمطية الصريحة، وتحفيز الندرة الكامنة — مع مناقشة التحديات المفتوحة واتجاهات البحث المستقبلية لمعالجة غموض النماذج الحالية.

Yutong Gao, Qinglin Meng, Yuan Zhou, Liangming Pan2026-04-20

💬 NLP

LLMSniffer: Detecting LLM-Generated Code via GraphCodeBERT and Supervised Contrastive Learning

تقدم الورقة البحثية LLMSniffer، وهو إطار كشف يجمع بين GraphCodeBERT والتعلم التبايني الخاضع للإشراف ومعالجة مسبقة تعتمد على إزالة التعليقات لتحسين دقة التمييز بين الكود المولد بواسطة الذكاء الاصطناعي والكود المكتوب بواسطة البشر بشكل كبير في مجموعات البيانات المرجعية.

Mahir Labib Dihan, Abir Muhtasim2026-04-20

→ السابق التالي ←