11965 ورقة بحثية
تقدم الورقة البحثية OneSearch-V2، وهو إطار عمل للبحث التوليدي يعتمد على التقطير الذاتي المعزز بالاستدلال الكامن، والذي يعمل على تحسين فهم الاستعلام، وكشف نوايا المستخدم الدقيقة، والمواءمة مع التفضيلات الشخصية من خلال ثلاثة ابتكارات رئيسية، مما أدى إلى مكاسب كبيرة في الأداء الفعلي والافتراضي في البحث الخاص بالتجارة الإلكترونية دون زيادة تكاليف الاستدلال.
تقدم الورقة البحثية "Mechanic"، وهو نظام وكيل مبتكر يستخدم عنصر "sorry" الناقص في لغة "Lean" لعزل وحل الأهداف الفرعية الفاشلة بشكل مستقل داخل برهان رسمي، وذلك لتجنب عدم الكفاءة الناتج عن إعادة التوليد الكامل وتدهور السياق المرتبط بالإصلاحات التكرارية، مما يؤدي إلى تحسين إثبات النظريات آلياً بشكل كبير في الاختبارات المرجعية الرياضية الصعبة.
تقدم هذه الورقة إطار عمل متعدد الوكلاء يجمع بين المتخصصين في مجالات محددة وبين التحقق من الاتساق على مرحلتين والدمج الموزون بمعامل S-score، مما يحسن بشكل كبير من معايرة عدم اليقين والتمييز في الإجابة على الأسئلة الطبية متعددة الخيارات، ويقدم إشارة ثقة عملية للنشر الآمن للذكاء الاصطناستي السريري.
تُثبت هذه الورقة بشكل منهجي أن نواقل توجيه التنشيط، ولا سيما تلك المستمدة من إضافة التنشيط التبايني، يمكن أن تغير بشكل جذري من قابلية النموذج اللغوي لهجمات كسر الحماية (jailbreak) من خلال تداخلها مع اتجاهات الرفض الكامنة، مما يكشف عن مقايضة حرجة بين القدرة على التحكم والسلامة.
تقدم هذه الورقة إطار عمل TRACE، الذي يكشف عن عدم توافق كبير بين أحكام النماذج اللغوية الكبيرة والمطورين البشريين في تقييم الأكواد عبر ثلاثة أنماط، مما يظهر أن أفضل النماذج حتى الآن يقل أداؤها عن البشر بنسبة تتراوح بين 12 و23% وتُظهر تحيزات منهجية، مثل تفضيل التفسيرات الطويلة، في معظم أبعاد جودة الأكواد الحالية.
تقدم الورقة البحثية Table-LLM-Specialist، وهو نموذج ضبط دقيق ذاتي التدريب يستفيد من ثنائية التوليد والتصنيف لمهام الجداول من خلال عملية تكرارية بين "المولد" و"المتحقق" لإنتاج نماذج عالية الأداء ومنخفضة التكلفة لمهام الجداول المتنوعة دون الحاجة إلى تسمية بشرية يدوية.
تقيم هذه الدراسة فعالية تقنيات تعزيز البيانات المتمثلة في "استبدال الإشارة" (Mention Replacement) و"استبدال الكلمات السياقية" (Contextual Word Replacement) على نماذج Bi-LSTM+CRF وBERT عبر أربعة مجالات منخفضة الموارد، مما يثبت أنه بينما يفيد التعزيز مجموعات البيانات الأصغر بشكل كبير، فإنه لا يوجد مقدار أمثل عالمياً من الأمثلة المعززة، مما يستلزم ضبطاً دقيقاً خاصاً بكل مشروع.
تقدم هذه الورقة مسار الأفكار (Path-of-Thoughts - PoT)، وهو إطار عمل مبتكر يعزز قدرات النماذج اللغوية الكبيرة في الاستدلال العلاقاتي من خلال تفكيك المهام إلى مراحل استخراج الرسم البياني، وتحديد المسار، والاستدلال، محققاً مكاسب كبيرة في الأداء مقارنة بالنماذج المرجعية المتطورة دون الحاجة إلى ضبط دقيق، مع الحفاظ على القدرة على الصمود أمام أخطاء الاستخراج.
تقدم الورقة البحثية نموذج EmbBERT، وهو نموذج لغوي صغير عالي الكفاءة يحقق دقة تضاهي النماذج الأكبر حجمًا بكثير مع العمل ضمن ميزانية ذاكرة صارمة لا تتجاوز 2 ميجابايت، مما يجعله مناسبًا للنشر على الأجهزة الطرفية شديدة المحدودة.
تُظهر هذه الدراسة أنه في حين أن روبوت الدردشة المعزز للمداولة DeepFakeDeLiBot لا يرفع دقة الكشف الإجمالية بشكل ملحوظ بمفرده، إلا أنه يحسن بفعالية ديناميكيات المجموعة وبناء التوافق، مما يؤدي إلى نتائج أفضل في كشف النصوص المزيفة عميقاً عند دمجه مع الجهود البشرية التعاونية.