11683 ورقة بحثية
تقدم هذه الورقة البحثية إطار عمل ProbeRAG، وهو إطار عمل مبتكر يعزز موثوقية التوليد المعزز بالاسترجاع (RAG) من خلال تحليل الفضاء الكامن الداخلي للنموذج للكشف عن تضارب المعرفة وتقليم الضجيج بشكل منهجي، مما ينقل العملية إلى ما وراء التدخلات الهشة في "الصندوق الأسود" لتحقيق استجابات أكثر دقة وتوافقاً مع السياق.
تقدم الورقة البحثية ParallaxRAG، وهو إطار عمل للتوليد المعزز بالاسترجاع متعدد الرؤى يعالج أوجه القصور في الأنظمة الحالية القائمة على الرسوم البيانية للمعرفة من خلال فصل الاستعلامات والرسوم البيانية للمعرفة إلى مساحات دلالية خاصة بكل رأس لتتماشى مع نمط التتابع الطبيعي المتوافق مع القفزات في نموذج المحول (Transformer)، مما يؤدي إلى تحسين دقة الاستدلال متعدد القفزات بشكل كبير وتقليل الهلوسة.
تُعد AtlasKV طريقةً لدمج المعرفة البارامترية تُمكّن النماذج اللغوية الكبيرة من تعزيز قدراتها بكفاءة باستخدام رسوم بيانية للمعرفة بمليارات العقد وباستهلاك أقل من 20 جيجابايت من ذاكرة الوصول العشوائي للفيديو (VRAM) عبر تقديم تقنيتي KG2KV وHiKVP، مما يقضي على تكاليف زمن الاستجابة والذاكرة المرتبطة بنهج التوليد المعزز بالاسترجاع التقليدي.
تحدد هذه الورقة أن فجوات الاستدلال متعددة اللغات في نماذج لغة الاستدلال تنبع أساساً من الإخفاقات في ترجمة المدخلات إلى لغة الاستدلال المهيمنة للنموذج، وتقترح استراتيجية "الترجمة الانتقائية" التي تكتشف هذه الإخفاقات لترجمة جزء صغير فقط من المدخلات، مما يؤدي بذلك إلى جسر فجوة الأداء بشكل كبير مع الحفاظ على الكفاءة.
تجادل هذه الورقة بأن تفسير استدلال النماذج اللغوية الكبيرة يتطلب تحليل توزيعات سلاسل الأفكار بدلاً من العينات الفردية، مبرهنةً على أن إعادة أخذ عينات من النص اللاحق تُمكّن من إجراء تحليل سببي موثوق، وتكشف عن التأثير المحدود للتبريرات الذاتية غير الأمينة، وتوفر بديلاً منهجياً للتدخلات غير المتوافقة مع السياسة الأصلية غير المستقرة.
تقدم هذه الورقة LiveCLKTBench، وهو معيار تقييم مؤتمت يعزل نقل المعرفة الحقيقي عبر اللغات عن آثار ما قبل التدريب من خلال الاستفادة من الكيانات الواقعية الحساسة للوقت، كاشفةً أن فعالية النقل تتأثر بشدة بالمسافة اللغوية، وعدم التماثل، وتناقص العوائد مع حجم النموذج.
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة تمثل أنواعاً مختلفة من التطابق النحوي كفئة وظيفية موحدة عبر استدعاء مجموعات متداخلة من الوحدات السببية عبر لغات متنوعة، بدلاً من الاعتماد على مكونات متميزة لكل ظاهرة.
تقدم هذه الورقة البحثية إطار عمل "إخفاء الهوية العدائي الموضعي العقلاني" (RLAA)، وهو إطار عمل محلي بالكامل وخالٍ من التدريب يستخدم بنية (المهاجم-المُحكّم-مُخفي الهوية) للتغلب على مفارقة الخصوصية المتعلقة بواجهات برمجة التطبيقات عن بُعد وانهيار المنفعة في النماذج المحلية، وذلك عبر استبدال الاستراتيجيات العدائية الجشعة بآلية مُحكومة بالعقلانية تعمل على تحسين المقايضة بين مكاسب الخصوصية وتكلفة المنفعة.
تقترح هذه الورقة طريقة "إلغاء انتباه الكلمات الوظيفية" (FDA)، وهي وسيلة تخفف من نقاط الضعف العدائية عبر الوسائط في النماذج اللغوية البصرية، وذلك عن طريق طرح انتباه الكلمات الوظيفية من الانتباه الأصلي بشكل تفاضلي، مما يحقق تحسينات كبيرة في المتانة مع تأثيرات ضئيلة أو حتى إيجابية على أداء المهام اللاحقة.
تقدم هذه الورقة البحثية إطار عمل APF، وهو إطار مستقل عن أداة الحل (solver-independent) يستفيد من النماذج اللغوية الكبيرة ومسار مبتكر لتوليد البيانات لترجمة متطلبات التصميم باللغة الطبيعية الغامضة تلقائياً إلى صيغ تحسين دقيقة وقابلة للتنفيذ للتصميم القائم على المحاكاة عالي التكلفة، متفوقاً بشكل كبير على الأساليب الحالية في تطبيقات تصميم الهوائيات.