12021 ورقة بحثية
تقدم هذه الورقة ToolRegistry، وهو نظام بيئي معياري ومستقل عن البروتوكولات يقلل بشكل كبير من أعباء التطوير ويحسن الأداء لتطبيقات النماذج اللغوية الكبيرة (LLM) من خلال توحيد إدارة الأدوات وتنفيذها وتكاملها عبر سجل مركزي، ومهايئات خادم، ومركز منسق لأدوات جاهزة للإنتاج.
تتقصى هذه الورقة ظاهرة "الإيجابية غير المتوافقة"، حيث تؤدي الاستجابات الإيجابية التي تفتقر إلى التقدير الصحيح رغم حسن النية إلى تقويض الدعم عبر الإنترنت، مما يكشف عن كون النماذج اللغوية الكبيرة عرضة بشكل خاص لهذا التفاؤل الاستخفافي في السياقات العاطفية عالية المخاطر، وتقترح إطار عمل للكشف يهدف إلى توجيه تطوير أنظمة حوار داعمة أكثر وعياً بالسياق وحفاظاً على الثقة.
تقدم هذه الورقة تقنية محاذاة تنشيط التعلم في السياق (IA2)، وهي تقنية تقطير ذاتي تعمل على محاذاة نماذج الضبط الدقيق الخاضع للإشراف (SFT) مع أنماط التنشيط الداخلية للتعلم في السياق (ICL) لتحسين دقة المخرجات ومعايرتها بشكل كبير عبر معايير قياسية متعددة.
تقدم هذه الورقة HarmMetric Eval، وهو معيار منهجي يكشف أن المقاييس التقليدية القائمة على المراجع يمكن أن تتفوق على الحكام القائمين على النماذج اللغوية الكبيرة في تقييم الضرر الدقيق، مما أدى إلى تصميم حَكَم مُحسَّن يدمج هذه المقاييس ويحقق أداءً هو الأفضل في فئته.
تتقصى هذه الورقة مدى قابلية تطبيق البنيات الناشئة مثل xLSTMs ونماذج فضاء الحالة الهيكلية على مهام وسم المتتاليات، كاشفةً أن أداءها القوي في الإعدادات الأبسط غالباً ما يفشل في التعميم عبر اللغات والبيانات المختلفة ومشكلات الوسم المعقدة بنيوياً.
تقدم هذه الورقة معيار "التحيز الصامت" (SBB)، وهو إطار عمل يستخدم توجيه التنشيط لتقليل حالات الرفض في النماذج وكشف "التحيزات الصامتة" — وهي تفضيلات غير عادلة مخفية داخل النماذج اللغوية الكبيرة المتوافقة مع معايير السلامة، والتي تفسرها طرق التقييم القياسية خطأً على أنها عدالة.
تقدم هذه الورقة SO-Bench، وهو معيار شامل يتكون من أكثر من 6,500 مخطط JSON متنوع و1,800 زوج من الصور والمخططات المنسقة عبر أربعة مجالات بصرية لتقييم وتحسين قدرات النماذج اللغوية الكبيرة متعددة الوسائط في إنتاج مخرجات مهيكلة متوافقة مع المخططات بشكل منهجي.
تقدم هذه الورقة "مجموعة بيانات الأخلقة" (Moralization Corpus)، وهي مجموعة بيانات جديدة متعددة الأنواع من النصوص الألمانية المشروحة بمخطط قائم على الأطر لتحليل الأفعال الكلامية الأخلاقية، مع تقييم قدرات وحدود النماذج اللغوية الكبيرة في اكتشاف واستخراج هذه الحجج المعقدة والحساسة للسياق.
تقدم هذه الورقة البحثية EpiQAL، وهو أول معيار تشخيصي مصمم لتقييم النماذج اللغوية الكبيرة في الاستدلال الوبائي القائم على الأدلة عبر ثلاث مجموعات فرعية تتدرج في الصعوبة، مما يكشف أن النماذج الحالية تعاني في الاستنتاج متعدد الخطوات وأن الأداء لا يتحدد فقط بحجم النموذج.
تقدم الورقة البحثية APEX-SWE، وهو معيار مرجعي جديد يقيم نماذج الذكاء الاصطناعي الرائدة في مهام هندسة البرمجيات الواقعية ذات القيمة الاقتصادية مثل تكامل الأنظمة وتصحيح أخطاء الإنتاج، كاشفةً أن النماذج الأعلى أداءً تحقق النجاح بشكل أساسي من خلال الانضباط المعرفي والتحقق المنهجي.