11965 ورقة بحثية
تقدم هذه الورقة البحثية TRI-DEP، وهي دراسة منهجية ثلاثية الأنماط تثبت أن الجمع بين أنماط تخطيط كهربائية الدماغ (EEG)، والكلام، والنص باستخدام التضمينات سابقة التدريب واستراتيجيات دمج مصممة بعناية يحقق أداءً هو الأفضل في حالته في الكشف عن الاكتئاب المستقل عن الموضوع.
تقدم هذه الورقة SafeSearch، وهو إطار عمل للتعلم التعزيزي متعدد الأهداف يقلل بشكل كبير من المخرجات الضارة في وكلاء البحث القائمين على النماذج اللغوية الكبيرة عن طريق معاقبة الاستعلامات غير الآمنة مع الحفاظ على فائدة عالية، مما يعالج النتيجة الحاسمة المتمثلة في أن وكلاء البحث أكثر عرضة لإخفاقات السلامة من النماذج الأساسية.
تقدم هذه الورقة البحثية SPORTABSET، وهو معيار تشخيصي لتلخيص البيانات الجدولية ذات السياق الطويل في الروايات الرياضية، والذي يكشف أنه بينما تعمل استراتيجيات التفكيك على تحسين الدقة من خلال التخفيف من تداخل الكيانات المتعددة، إلا أن النماذج اللغوية الكبيرة الحالية تظل محدودة جوهرياً بسبب ضعف ذاكرة الكيانات المتعددة والحساسية العالية للإشارات السطحية.
تقترح هذه الورقة طريقة مبتكرة لتوليد أسئلة استيعاب قرائي من نوع الاختيار من متعدد يمكن التحكم في صعوبتها، وذلك عبر الاستفادة من نموذج لغوي كبير تم تدريبه باستخدام التحسين المباشر للتفضيلات للتغلب على قيود النهج الحالية في إنتاج تنسيقات الاختيار من متعدد بشكل مباشر والتحكم بدقة في صعوبة الأسئلة.
تقدم هذه الورقة PRDBench، وهو معيار مرجعي قابل للتوسع يضم 50 مشروعًا حقيقيًا بلغة بايثون ذات متطلبات مهيكلة، وPRDJudge، وهو نموذج تقييم متخصص تم ضبطه بدقة ويحقق توافقًا مع البشر بنسبة تزيد عن 90%، مما يعالج مجتمعًا تكاليف التوسيم العالية وعدم دقة التقييم في المعايير المرجعية الحالية لوكلاء البرمجيات.
تقدم هذه الورقة البحثية DialectalArabicMMLU، وهو معيار مرجعي شامل يتكون من 15,000 سؤال من نوع الاختيار من متعدد تم إعدادها يدويًا عبر خمس لهجات عربية رئيسية و32 مجالًا، صُمم لتقييم وكشف الفجوات الكبيرة في أداء قدرات الاستدلال اللهجي لدى النماذج اللغوية الكبيرة الحالية.
تقدم الورقة البحثية MUTANT، وهي وصفة شاملة لتصميم أجهزة ترميز (tokenizers) متعددة اللغات تحقق أداءً فائقاً وتزيد من سرعة الاستنتاج بشكل كبير بنسبة 44% مقارنة بـ LLaMA4 من خلال مفردات محسنة، ومعالجة مسبقة للترميز مدركة للغة، واستراتيجيات تدريب مدركة للكلمات الفرعية.
تقدم الورقة البحثية AgentExpt، وهو إطار عمل يعمل على أتمتة تصميم تجارب الذكاء الاصطناعي من خلال الاستفيد من مجموعة بيانات ضخمة مكونة من 100,000 ورقة بحثية لتدريب مسترجع معزز بالإدراك الجماعي ومعيد ترتيب معزز بالاستنتاج، متفوقاً بشكل كبير على النماذج المرجعية السابقة في التوصية بالنماذج المرجعية ومجموعات البيانات المناسبة.
تقترح هذه الورقة إطاراً للتحكم في توليد البيانات الاصطناعية لضبط النماذج اللغوية البصرية، وهو ما يقضي على تحيزات التوسيم واختلالات التوزيع، مما يؤدي إلى تحسن في الأداء بنسبة 13% في مهام الاستدلال المكاني في العالم الحقيقي مقارنة بالنماذج المدربة على مجموعات البيانات القياسية من العالم الحقيقي.
تقدم الورقة البحثية M4-RAG، وهو معيار قياسي ضخم النطاق يمتد عبر 42 لغة و189 دولة لتقييم التوليد المعزز بالاسترجاع متعدد الوسائط ومتعدد اللغات، كاشفةً أنه في حين يستفيد نظام RAG من النماذج اللغوية البصرية الصغيرة، إلا أنه غالباً ما يفشل في التوسع مع النماذج الأكبر ويعاني من تدهور كبير في الأداء في السياقات غير الإنجليزية.