cs.CL ورقة بحثية

Injecting Falsehoods: Adversarial Man-in-the-Middle Attacks Undermining Factual Recall in LLMs

تقدم هذه الورقة البحثية إطار عمل هجومي جديد يُدعى Xmera، يوضح أن هجمات حقن الأوامر التافهة يمكن أن تقوض بشدة قدرة النماذج اللغوية الكبيرة على استرجاع الحقائق بمعدلات نجاح عالية، مع اقتراح دفاع يعتمد على الغابة العشوائية (Random Forest) يميز بفعالية بين الاستجابات المخترقة والاستجابات المشروعة باستخدام عدم اليقين في التوليد.

Alina Fastowski, Bardh Prenkaj, Yuxiao Li, Gjergji Kasneci2026-03-25

💬 NLP

Principled Context Engineering for RAG: Statistical Guarantees via Conformal Prediction

تقترح هذه الورقة إطاراً منهجياً لهندسة السياق في نماذج التوليد المعزز بالاسترجاع (RAG) يستخدم التنبؤ المطابق لضمان الاحتفاظ بالأدلة ذات الصلة إحصائياً مع تقليل طول السياق بشكل كبير، مما يؤدي إلى تحسين الدقة الواقعية وتوفير تحكم مستقل عن النموذج في عملية التصفية.

Debashish Chakraborty, Eugene Yang, Daniel Khashabi, Dawn Lawrie, Kevin Duh2026-03-25

💬 NLP

PaperBanana: Automating Academic Illustration for AI Scientists

إن PaperBanana هو إطار عمل وكيل (agentic framework) يعمل على أتمتة إنشاء الرسوم التوضيحية الأكاديمية والمخططات الإحصائية الجاهزة للنشر من خلال تنسيق وكلاء متخصصين للاسترجاع المرجعي، والتخطيط، والتحويل الرسومي، والنقد الذاتي، محققاً أداءً فائقاً في الدقة، والوضوح، والجمالية على معيار قياسي جديد مستمد من منشورات مؤتمر NeurIPS 2025.

Dawei Zhu, Rui Meng, Yale Song, Xiyu Wei, Sujian Li, Tomas Pfister, Jinsung Yoon2026-03-25

💬 NLP

Efficient and High-Fidelity Omni Modality Retrieval

تقدم الورقة البحثية OmniRet، وهو أول نموذج استرجاع قادر على التعامل مع الاستعلامات المعقدة عبر الوسائط النصية والبصرية والسمعية، والذي يحقق أداءً عالي الدقة وفعالاً من خلال آليات إعادة أخذ العينات القائمة على الانتباه وآليات تجميع "واسرشتاين" المقطعة بالانتباه (Attention Sliced Wasserstein Pooling) المبتكرة، مع إنشاء معيار مرجعي جديد متمحور حول الصوت متعدد الوسائط لتقييم القدرات الشاملة للوسائط.

Chuong Huynh, Manh Luong, Abhinav Shrivastava2026-03-25

💻 computer science

Founder effects shape the evolutionary dynamics of multimodality in open LLM families

تحلل هذه الورقة أكثر من 1.8 مليون نموذج لتكشف أن تعدد الوسائط في عائلات النماذج اللغوية الكبيرة المفتوحة ينبثق من خلال "أحداث مؤسِّسة" نادرة بدلاً من الانتقال التدريجي عبر الوسائط، ليتوسع لاحقاً وبسرعة ضمن سلالات محددة من الأحفاد لخلق نمط تبنٍّ متقطع يهيمن عليه مهام الصور والنصوص.

Manuel Cebrian2026-03-25

💬 NLP

Evaluating Large Language Models' Responses to Sexual and Reproductive Health Queries in Nepali

تقدم هذه الورقة إطار عمل تقييم النماذج اللغوية الكبيرة (LEAF) لتقييم استجابات النماذج اللغوية الكبيرة لـ 14,000 استعلام باللغة النيباليةية تتعلق بالصحة الجنسية والإنجابية، مما كشف أن 35.1% فقط من الاستجابات كانت "ملائمة" بسبب الفجوات الكبيرة في الدقة، والملاءمة الثقافية، والسلامة، مما يسلط الض light على الحاجة الملحة لتحسين معايير التقييم في المجالات ذات الموارد المنخفضة والحساسة.

Medha Sharma, Supriya Khadka, Udit Chandra Aryal, Bishnu Hari Bhatta, Bijayan Bhattarai, Santosh Dahal, Kamal Gautam, Pu (…)2026-03-25

💬 NLP

Whether, Not Which: Mechanistic Interpretability Reveals Dissociable Affect Reception and Emotion Categorization in LLMs

تستخدم هذه الدراسة سيناريوهات سريرية خالية من الكلمات المفتاحية العاطفية الصريحة لتوضيح أن النماذج اللغوية الكبيرة تمتلك آلية مزدوجة قابلة للفصل، حيث تكتشف دوائر الطبقات المبكرة الأهمية العاطفية العامة (استقبال الوجدان) بشكل موثوق بغض النظر عن الكلمات المفتاحية، بينما يظل التصنيف النوعي للمشاعر معتمداً جزئياً على الإشارات اللفظية.

Michael Keeman2026-03-25

💻 computer science

From Instructions to Assistance: a Dataset Aligning Instruction Manuals with Assembly Videos for Evaluating Multimodal LLMs

تقدم هذه الورقة مجموعة بيانات "من الدليل إلى التنفيذ" (M2AD)، التي تربط فيديوهات تجميع الأثاث مع أدلة التعليمات، لتقييم قدرات وحدود النماذج اللغوية الكبيرة متعددة الوسائط الحالية في تقديم المساعدة متعددة الوسائط في الوقت الفعلي للمهام الإجرائية.

Federico Toschi, Nicolò Brunello, Andrea Sassella, Vincenzo Scotti, Mark James Carman2026-03-25

🤖 machine learning

Problems with Chinchilla Approach 2: Systematic Biases in IsoFLOP Parabola Fits

تُثبت هذه الورقة أن "نهج تشينشيلّا 2" (Chinchilla Approach 2) المستخدم على نطاق واسع يُدخل تحيزات منهجية في تقديرات تخصيص الحوسبة الأمثل بسبب أخطاء التقريب المكافئ، وتقترح "نهج تشينشيلّا 3" (Chinchilla Approach 3) —المعزز بـ "الإسقاط المتغير" (Variable Projection)— كبديل مستقر عددياً، وفعال من حيث البيانات، وغير منحاز، يقضي على هذه الأخطاء مع بقائه عملياً في التنفيذ.

Eric Czech, Zhiwei Xu, Yael Elmatad, Yixin Wang, William Held2026-03-25

🤖 machine learning

Instruction-Tuned, but Not More Verifiable Instruction-Following: A Cross-Task Diagnosis for LoRA Adapters

تُثبت هذه الورقة أن التسميات الاسمية مثل "المُدوزن للتعليمات" (instruction-tuned) هي مؤشرات غير موثوقة لمكاسب القدرة الفعلية، مما يكشف عن ظاهرة تُسمى "انزياح القدرة" (capability drift) حيث تفشل محولات "LoRA" غالباً في تحسين أداء اتباع التعليمات القابل للتحقق رغم أهداف تدريبها، مما يستلزم إجراء تقييم روتيني عبر المهام قبل النشر.

Junyi Zou2026-03-25

→ السابق التالي ←