11070 ورقة بحثية
تكشف هذه الورقة أن الاختلاف الجوهري بين الخبراء والمشاركين من الجمهور على مستوى العناصر يتم حجبه بسبب صغر حجم لوحات المتصدرين، مما يخلق شعوراً زائفاً بالاستقرار في تصنيفات النماذج يفشل في التعميم مع زيادة عدد النماذج.
تقدم هذه الورقة البحثية RUPA، وهو إطار عمل لتقدير عدم اليقين على مستوى المسار، يقوم بنمذجة سجلات التنفيذ كرسوم بيانية موجهة لنشر عدم اليقين عبر التبعيات العلاقاتية، مما يتفوق بذلك على الأساليب الحالية في اكتشاف تراكم الأخطاء بعيد المدى وتحسين موثوقية وكلاء النماذج اللغوية الكبيرة (LLM) في البيئات التفاعلية المعقدة.
تُثبت هذه الورقة أنه عندما يعمل مُحقِّق النموذج اللغوي ضمن سياق يحتوي على حلقة مراجعة وإصلاح سابقة، فإن عتبة اتخاذ القرار لديه تنزاح بشكل ملحوظ نحو التساهل، مما يقلل من الإنذارات الكاذبة بنسبة تتراوح بين 9 و25% دون المساس بقدرته على التمييز بين المخرجات الصحيحة والخاطئة.
تقدم الورقة البحثية ReRef-3D، وهو معيار شامل يتكون من أكثر من 33,000 تعليمات موجهة لغوياً لإعادة ترتيب المشاهد ثلاثية الأبعاد، والذي يقيم النماذج بناءً على قدرتها على توليد مواضع صالحة فيزيائياً تستوفي العلاقات المكانية، مما يكشف أن النماذج الحالية الرائدة تعاني بشكل كبير مع الاستدلال العلاقاتي المعقد والقيود الفيزيائية.
يُعد DuplexGen إطار عمل مبتكر لتوليد الحوار يعمل على فصل المحتوى والتوقيت والخصائص الصوتية عبر استخدام نموذج لغوي كبير لتوليد السيناريو، يليه نموذجان للحوار ثنائي الاتجاه (full-duplex) يتفاعلان في الوقت الفعلي، مما يتيح ظهور ديناميكيات حوارية طبيعية مثل المقاطعات والتداخلات مع الحفاظ على المحتوى المكتوب وجودة الكلام العالية.
تقدم هذه الورقة البحثية طريقة CAPO، وهي طريقة لتحسين الأوامر البرمجية (prompt optimization) تراعي القيود وتستخدم نهجاً ثنائياً أولياً (primal-dual approach) مع أوزان قيود تكيفية لتحسين الأوامر البرمجية لأنظمة وكلاء النماذج اللغوية الكبيرة (LLM agent systems) بفعالية من أجل أداء المهام مع الالتزام بالقيود التشغيلية مثل السلامة والتنسيق، إلى جانب نسخة ديناميكية (DCAPO) تقوم بتدريب مُعيد صياغة متخصص لتحقيق أوامر برمجية قابلة للتنفيذ وعالية الأداء عبر مجالات متنوعة دون تعديل وكيل المهمة الأساسي.
يُعد HyperSkill إطار عمل مبتكر يعزز أداء وكلاء النماذج اللغوية الكبيرة (LLM) في المهام المعقدة من خلال تمثيل الذاكرة التجريبية كـ "رسم بياني فائق" (hypergraph) يتكون من مهام فرعية ومهارات قابلة لإعادة الاستخدام، مما يتيح تخزيناً أكثر فعالية، واسترجاعاً علاقيّاً، وصيانة ذاتية التطور تتفوق بشكل كبير على النماذج المرجعية الحالية.
يُعد QUMem إطار عمل ذاكرة مهيكلة يعزز تخصيص وكلاء النماذج اللغوية الكبيرة من خلال تقسيم سجلات التفاعل إلى حلقات دلالية، وتفكيكها إلى أنواع ذاكرة قابلة للاسترجاع بشكل مستقل، وتوظيف عملية استرجاع متعددة الوكلاء لاستنتاج حالات مستخدم صالحة زمنياً وسياقياً، مما يحقق أداءً رائدًا في معايير قياس التخصيص.
تقدم الورقة البحثية INSPIRE، وهو أول معيار لتقييم استرجاع الكلام المدرك للتعليمات، والذي يوضح أن طرق الاسترجاع الحالية تفشل في التعامل بمتانة مع نوايا المستخدم المتنوعة من خلال كشف مقايضة حيث تتفوق النماذج القائمة على النصوص في المطابقة الدلالية ولكنها تعاني مع السمات شبه اللغوية، بينما تلتقط النماذج القائمة على الكلام الخصائص الصوتية لكنها تتعثر في اتباع التعليمات المعقدة.
تقدم الورقة البحثية DARTopic، وهو إطار عمل للنمذجة الموضوعية العصبية غير المرتبط بنطاق محدد، والذي يعزز القابلية للتفسير في المتون المتخصصة من خلال بناء رسوم بيانية دلالية على مستوى الرموز (tokens) من تضمينات النماذج اللغوية مسبقة التدريب والمجمدة، والتدريب المشترك لمشفر شبكة عصبية رسومية (GNN)، مما يتغلب على قيود فضاء التضمين في الطرق الحالية دون الحاجة إلى ضبط دقيق للمشفر.