11965 ورقة بحثية
تقدم هذه الورقة تقنية التقطير الدلالي الذاتي (SSD)، وهي تقنية تدرب نماذج طالبة خفيفة الوزن للتنبؤ بالتوزيعات الدلالية وتقدير عدم اليقين للنماذج اللغوية الكبيرة، مما يوفر بديلاً فعالاً من الناحية الحسابية للطرق المكلفة القائمة على أخذ العينات مع الحفاظ على أداء تنافسي في التنبؤ بالهلوسة وتمكين بدائيات جديدة لعدم اليقين.
تقدم هذه الورقة SeleCom، وهو إطار عمل للضغط المرن المشروط بالاستعلام يستبدل الترميز التلقائي للوثيقة الكاملة بمُنتقي يعتمد على فك التشفيد فقط للقضاء على الحشو وتحسين كثافة المعلومات، متفوقاً بذلك على طرق الضغط الحالية مع تقليل التكاليف الحسابية بشكل كبير.
تحدد هذه الورقة أن التخزين المؤقت الحالي لوكلاء الذكاء الاصطناعي يفشل بسبب عدم التوافق بين دقة التصنيف واتساق مفتاح التخزين، وتقترح حلاً باستخدام التنميط الهيكلي للقصد (W5H2) مع التعلم بلقطات قليلة والتنبؤ الانتقائي المتحكم فيه بالمخاطر لتحقيق دقة عالية، وزمن استجابة يقل عن ميلي ثانية واحدة، وخفض في التكلفة يصل إلى 97.5%.
يُعد CRoCoDiL إطار عمل موحداً للضبط الدقيق يعمل على تعزيز نماذج الانتشار المقنعة من خلال ربط عملية إزالة القناع بتمثيلات دلالية مستمرة على مستوى الجملة، مما يحقق جودة فائقة في توليد النصوص وسرعات أخذ عينات تزيد بمقدار 10 أضعاف مقارنة بالطرق الحالية.
تقدم الورقة البحثية نماذج مكافأة التفكير السريع-البطيء (F/S-RM)، وهي بنية هجينة مستوحاة من نظرية المعالجة المزدوجة تدمج التنبؤ القياسي الفعال مع استدلال سلسلة الأفكار الدقيق عبر آلية تنشيط قائمة على الثقة، محققة أداءً فائقاً مع تقليل التكاليف الحسابية بشكل كبير.
يُعد AgenticGEO إطار عمل وكيلًا ذاتي التطور يعالج أوجه القصور في أساليب تحسين محركات التوليد (Generative Engine Optimization) الاستاتيكية عبر توظيف أرشيف MAP-Elites وناقد متطور تطورياً (Co-Evolving Critic) لتوليد استراتيجيات محتوى متنوعة وعالية الجودة ديناميكياً، تتكيف بمتانة مع محركات البحث التوليدية ذات الصندوق الأسود بأقل تكاليف التفاعل.
تقدم هذه الورقة CoDiLA، وهي طريقة تعزز نماذج اللغة الانتشارية عبر الجمع بين التوليد الكتلي المتوازي ونموذج تلقائي الانحدار مساعد مدمج لضمان تماسك الرموز محلياً، مما يحقق زمن انتقال دون خطي مع القضاء على التناقضات النحوية الشائعة في أساليب الانتشار المنفصلة القياسية.
تقدم هذه الورقة طريقة للتنبؤ بالمكافأة المتوقعة التي سيحققها نموذج لغوي كبير (LLM) في مطالبة معينة قبل توليد الاستجابة، مما يثبت أن هذا التنبؤ البسيط يتيح بروتوكول توجيه فعالاً وقابلاً للتوسع يتفوق على النماذج المرجعية القائمة على الفئات من خلال تحسين المقايضة بين المكافأة والتكلفة الحسابية.
تقدم هذه الورقة "الاستشراف الكامن" (latent lookahead)، وهي استراتيجية تدريب تمكن نماذج المحولات ذات التوليد الذاتي من صقل التنبؤات بشكل متكرر في الفضاء الكامن قبل الالتزام بـ "توكن" معين، مما يحسن الأداء بشكل كبير في مهام التخطيط المعقدة التي تتطلب الاستباق.
تؤيد هذه الورقة اعتماد "الطاقة لكل رمز" كمقياس رئيسي للكفاءة، وتقترح استراتيجيات توجيه ديناميكية واعية بالطاقة توازن بين الدقة والتكلفة الحسابية من خلال الاستفادة من النماذج اللغوية الصغيرة المعززة وعمق الاستدلال المتحكم فيه لتحقيق نشر مستدام للذكاء الاصطناعي.