11902 ورقة بحثية
تُفكك هذه الورقة فشل الحساب خارج التوزيع في نماذج GPT الدنيا إلى أربع مراحل متميزة وقابلة للاختبار تجريبياً: حاجز التخطيط، وسوء تفسير دلالات الحمل، وعنق زجاجة إعادة التكوين الشرطي، وأخطاء بقايا العشرات في المراحل المتأخرة.
تقدم الورقة البحثية FormalProofBench، وهو معيار خاص لتقييم قدرة نماذج الذكاء الاصطناعي على توليد براهين رياضية ذات مستوى دراسات عليا ومحققة رسميًا بلغة Lean 4، كاشفةً أن أفضل النماذج أداءً حقق دقة تبلغ 33.5% فقط، مع تقديم تحليل شامل لاستخدام الأدوات، وأنماط الفشل، والكفاءة.
يُعد PHONOS وحدة بث في الوقت الفعلي لإخفاء هوية المتحدث تعمل على تحييد اللهجات غير الأصلية لتجعلها تبدو كأنها لهجة أصلية باستخدام عبارات ذهبية مُعدة مسبقاً لتدريب مترجم لهجات سببي، مما يقلل بشكل كبير من مخاطر تحديد الهوية القائمة على اللهجة مع الحفاظ على زمن انتقال منخفض.
تجادل هذه الورقة بأن الإفراط المميز في استخدام الشرطات الطويلة (em dashes) في النصوص المولدة بواسطة الذكاء الاصطناعي هو نتاج بنيوي لبيانات التدريب المشبعة بتنسيقات "مارك داون" (markdown)، وهو أمر يستمر حتى عندما تُوجه النماذج لتجنب التنسيق، مما يجعله بمثابة توقيع تشخيصي لمنهجيات ضبط دقيق محددة بدلاً من كونه مجرد عيب أسلوبي.
تقدم الورقة البحثية RASPRef، وهو إطار عمل يعتمد على الاسترجاع والتعلم الذاتي غير الخاضع للإشراف، يعمل على تحسين المطالبات لنماذج الاستدلال الكبيرة بشكل تكراري باستخدام إشارات الاتساق وتغذية الراجعة من أدوات التحقق لتعزيز الأداء دون الحاجة إلى تعليقات توضيحية بشرية.
تقدم هذه الورقة مجموعة بيانات "Pashto Common Voice"، وهي أول مجموعة بيانات صوتية مفتوحة واسعة النطاق للغة البشتو، والتي تم تطويرها من خلال جهد مجتمعي من عام 2022 إلى 2025 لتحسين أداء التعرف على الكلام بشكل كبير للغة التي يتحدث بها 60 مليون شخص، مما قلل معدل خطأ الكلمات من 99.0% إلى 13.4% عند ضبط نموذج "Whisper Base".
يدعو هذا الفصل إلى دمج البيانات النصية غير المهيكلة مع المصادر التقليدية المهيكلة للتغلب على القيود الحالية في هندسة البيانات، مع استعراض التحديات المرتبطة بها، والحلول المتطورة، والمشكلات البحثية المفتوحة.
تقدم هذه الورقة البحثية ChartNet، وهو مجموعة بيانات متعددة الوسائط عالية الجودة بمقياس المليون، تم إنشاؤها عبر مسار عمل موجه بالبرمجيات يعمل على مواءمة كود الرسم، والصور، وجداول البيانات، والملخصات، وأسئلة الاستنتاج لتعزيز قدرات فهم الرسوم البيانية والاستدلال لنماذج الرؤية واللغة بشكل كبير.
تقدم هذه الورقة إطار عمل للتنبؤ العلمي القائم على التقطيع الزمني ودرجة المحاذاة المستقبلية (FAS) لتدريب النماذج اللغوية الكبيرة على توليد مقترحات بحثية تتوقع بنجاح الاتجاهات العلمية المستقبلية، مما يثبت أن هذا النهج يحسن جودة المقترحات بشكل كبير ويحقق مكاسب أداء عملية في المهام الواقعية.
تستفيد ورقة دا فينشي-إل إل إم (daVinci-LLM) من مزيج فريد بين الموارد ذات النطاق الصناعي والحرية البحثية الكاملة لإرساء علم منهجي ومفتوح بالكامل للتدريب المسبق، مقدمةً إطار "الداروينية البيانية" (Data Darwinism)، ومثبتةً من خلال دراسات استقصائية مكثفة أن عمق المعالجة، واستراتيجيات النطاق التكيفية، والتوازن التركيبي، هي محددات حاسمة لقدرة النموذج إلى جانب حجم البيانات.