cs.CL ورقة بحثية

Did You Forget What I Asked? Prospective Memory Failures in Large Language Models

تُظهر هذه الورقة أن النماذج اللغوية الكبيرة تعاني من إخفاقات كبيرة في الذاكرة الاستباقية عند الالتزام بقيود التنسيق تحت أعباء مهام متزامنة، لا سيما مع القيود النهائية، رغم أنه يمكن استعادة الأداء إلى حد كبير من خلال التلقين المعزز بالبروز، مع ملاحظة أن مثل هذه القيود يمكن أن تؤدي أيضًا إلى تدهور شديد في دقة المهمة.

Avni Mittal2026-03-26

💬 NLP

Generating Hierarchical JSON Representations of Scientific Sentences Using LLMs

تُثبت هذه الورقة أن الضبط الدقيق لنموذج لغوي كبير خفيف الوزن باستخدام دالة فقدان هيكلية مبتكرة لتحويل الجمل العلمية إلى هياكل JSON هرمية يتيح استبقاءً فعالاً للمعلومات، كما يتضح من خلال التشابه الدلالي والمعجمي العالي عند إعادة بناء النص الأصلي.

Satya Sri Rajiteswari Nimmagadda, Ethan Young, Niladri Sengupta, Ananya Jana, Aniruddha Maiti2026-03-26

💬 NLP

MDKeyChunker: Single-Call LLM Enrichment with Rolling Keys and Key-Based Restructuring for High-Accuracy RAG

تُعد MDKeyChunker عبارة عن خط معالجة ثلاثي المراحل لمستندات Markdown، يستخدم تقسيمًا يعتمد على البنية، وإثراءً عبر نموذج لغوي كبير (LLM) في استدعاء واحد مع نشر المفاتيح المتدحرجة للحفاظ على السياق، وتعبئة ثنائية تعتمد على المفاتيح لإعادة هيكلة المحتوى، مما يحقق استرجاعًا عالي الدقة من خلال الحفاظ على الوحدات الدلالية والقضاء على الاستدعاءات المتعددة للنموذج اللغوي الكبير.

Bhavik Mangla2026-03-26

💬 NLP

Not All Pretraining are Created Equal: Threshold Tuning and Class Weighting for Imbalanced Polarization Tasks in Low-Resource Settings

تقدم هذه الورقة بحثاً مقدمًا لمهمة SemEval-2025 المشتركة حول الاستقطاب، والذي يستخدم نماذج قائمة على المحولات (Transformer-based models)، ودوال فقدان موزونة للفئات (class-weighted loss functions)، وضبط العتبة (threshold tuning) لمعالجة عدم التوازن الشديد في الفئات بفعالية في مهام كشف وتصنيف الاستقطاب للنصوص باللغتين الإنجليزية والسواحيلية على وسائل التواصل الاجتماعي.

Abass Oguntade2026-03-26

🌀 nonlinear sciences

PLDR-LLMs Reason At Self-Organized Criticality

تقترح هذه الورقة أن نماذج اللغات الكبيرة ذات التدريب المسبق على أساس التعلم من خلال التدرج في مستويات التردد (PLDR-LLMs) عند حالة الحرجة ذاتية التنظيم، تُظهر قدرات استنتاجية تتميز بانتقالات طورية من الدرجة الثانية، حيث يمكن لمعلم ترتيب مشتق من إحصائيات النموذج العالمية أن يحدد أداء الاستنتاج كمياً دون الاعتماد على تقييمات الاختبارات المعيارية التقليدية.

Burc Gokden2026-03-26

💻 computer science

LLMORPH: Automated Metamorphic Testing of Large Language Models

تقدم هذه الورقة LLMORPH، وهي أداة اختبار تحولي مؤتمتة تقيم متانة النماذج اللغوية الكبيرة عبر مختلف مهام معالجة اللغات الطبيعية من خلال توليد مدخلات متابعة عبر علاقات تحولية للكشف عن عدم اتساق المخرجات دون الاعتماد على بيانات مصنفة بشرياً.

Steven Cho, Stefano Ruberto, Valerio Terragni2026-03-26

💬 NLP

Revisiting Real-Time Digging-In Effects: No Evidence from NP/Z Garden-Paths

من خلال تجربتين تقارنان السلوك البشري مع النماذج اللغوية الكبيرة في جمل "المسار الحدي" (garden-path) ذات العبارات الاسمية/الزائدة، تجد هذه الدراسة عدم وجود دليل على تأثيرات "التشبث بالرأي" (digging-in) في الوقت الفعلي، مما يشير إلى أن الاتجاهات الملحوظة سابقاً هي على الأرجح نتاج لعمليات التلخيص النهائي للجملة بدلاً من كونها تعزيزاً حقيقياً للالتزامات الهيكلية أثناء المعالجة الآنية.

Amani Maina-Kilaas, Roger Levy2026-03-26

💬 NLP

The Diminishing Returns of Early-Exit Decoding in Modern LLMs

تُظهر هذه الورقة أن تقنية فك التشفير عبر الخروج المبكر، وهي تقنية لتقليل زمن الاستجابة وتكلفة الاستدلال في النماذج اللغوية الكبيرة، أصبحت غير فعالة بشكل متزايد في النماذج الحديثة بسبب انخفاض تكرار الطبقات، حيث تحتفظ النماذج الأساسية الكثيفة وواسعة النطاق بإمكانات أكبر للخروج المبكر مقارنة بنماذج خليط الخبراء أو نماذج فضاء الحالة.

Rui Wei, Rui Du, Hanfei Yu, Devesh Tiwari, Jian Li, Zhaozhuo Xu, Hao Wang2026-03-26

💬 NLP

Perturbation: A simple and efficient adversarial tracer for representation learning in language models

تقدم هذه الورقة البحثية "الاضطراب" (Perturbation)، وهي طريقة بسيطة وفعالة لتحديد التمثيلات اللغوية في النماذج اللغوية من خلال ضبطها بدقة على مثال عدائي واحد وقياس "العدوى" الناتجة عبر المدخلات الأخرى، مما يتجاوز الحاجة إلى الافتراضات الهندسية المقيدة مع الكشف عن التعميم والتجريد المهيكلين.

Joshua Rozner, Cory Shain2026-03-26

💬 NLP

How Vulnerable Are Edge LLMs?

تُثبت هذه الورقة أن التكميم وحده يفشل في حماية النماذج اللغوية الكبيرة المنشورة على الحافة من هجمات استخراج المعرفة، حيث تقدم إطار عمل CLIQ لاستعادة المعلومات الدلالية من النماذج المكممة بشكل منهجي وبكفاءة أكبر من طرق الاستعلام القياسية.

Ao Ding, Hongzong Li, Zi Liang, Zhanpeng Shi, Shuxin Zhuang, Shiqin Tang, Rong Feng, Ping Lu2026-03-26

→ السابق التالي ←