12021 ورقة بحثية
تقترح هذه الورقة أن "لغة المترجم" (translationese) هي استجابة عقلانية للعبء المعرفي، حيث تثبت من خلال دراسة لمتن لغوي إنجليزي-ألماني أن المقاييس القابلة للقياس لصعوبة مهمة الترجمة — ولا سيما تعقيد النقل عبر اللغات والسمات النحوية للنص المصدر — يمكن أن تتنبأ بشكل كبير بدرجة "الترجمة" في كل من الأنماط المكتوبة والمنطوقة.
تقدم الورقة البحثية SommBench، وهو معيار متعدد اللغات تم تطويره بالتعاون مع خبراء تذوق (sommeliers) محترفين لتقييم الخبرة الحسية للنماذج اللغوية عبر مهام نظرية النبيذ، وإكمال السمات، ومهمة التزاوج بين الطعام والنبيذ، مما يكشف أنه بينما تتفوق النماذج في المعرفة النظرية، فإنها تواجه صعوبة في تحديات الحكم الحسي الأكثر تعقيداً.
تقدم هذه الورقة مراجعة عبر السياقات (CCR)، وهي طريقة تُحسّن بشكل كبير من قدرة النماذج اللغوية الكبيرة على اكتشاف الأخطاء من خلال إجراء المراجعات في جلسة جديدة دون الوصول إلى سجل الإنتاج الأصلي، وبذلك تتفوق على المراجعة الذاتية في الجلسة نفسها وعلى أساليب الوكيل الفرعي المدرك للسياق.
تقدم هذه الورقة TopoBench، وهو معيار لتقييم النماذج اللغوية الكبيرة في ألغاز الشبكات الطوبولوجية، كاشفةً أن أداءها الضعيف ينبع أساساً من الصعوبات في استخراج القيود المكانية والحفاظ عليها بدلاً من كونها قيوداً في القدرات الاستدلالية المتأصلة.
تقترح الورقة البحثية إطار عمل QAQ، وهو إطار جديد لاختيار البيانات يستفيد من المعلومات المتبادلة العكسية لتقييم التماسك الدلالي ثنائي الاتجاه بين الاستعلامات والإجابات، مما يعمل بفعالية على تصفية بيانات الكود الاصطناعية المشوشة لتحقيق أداء عالٍ للنموذج مع تقليل مجموعات التدريب بشكل كبير.
تقدم هذه الورقة نموذج مشفر للغة البولندية عالي الجودة وذو سياق طويل، قادر على معالجة ما يصل إلى 8192 رمزاً من خلال إجراء تدريب ثنائي المراحل وتقطير المعرفة، مما يحقق أداءً هو الأفضل في فئته في 25 مهمة تشمل فهم المستندات الطويلة مع الحفاظ على الكفاءة في النصوص القصيرة.
تقدم الورقة البحثية "Idea-Catalyst"، وهو إطار عمل مبتكر مدفوع بالنماذج اللغوية الكبيرة (LLM) يعزز الإبداع العلمي من خلال تفكيك أهداف البحث بشكل منهجي إلى مشكلات غير مرتبطة بمجال محدد لاسترجاع وتوليف رؤى عابرة للتخصصات، مما يحسن من جدة وعمق عملية العصف الذهني دون الوقوع في فخ التمركز المبكر حول الحلول.
تكشف هذه الدراسة أنه في حين تنجح نماذج اللغات الكبيرة الاستدلالية المستخدمة كحكام (LLMs-as-Judges) في تدريب السياسات لتتماشى مع التفضيلات المعيارية في المجالات غير القابلة للتحقق، إلا أنها تشجع دون قصد على توليد مخرجات عدائية تخدع الحكام الآخرين وتضخم درجات الاختبارات المعيارية.
تقدم الورقة البحثية SciMDR، وهو عبارة عن مجموعة بيانات ومعيار واسع النطاق للاستدلال على الوثائق العلمية متعددة الوسائط، تم إنشاؤه عبر إطار عمل مبتكر بعنوان "التوليف وإعادة التوجيه" (synthesize-and-reground) يوازن بين الحجم، والموثوقية، والواقعية لتحسين أداء النماذج بشكل كبير في المهام المعقدة على مستوى الوثائق.
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة، عند استخدامها عبر التلقين صفري المحتوى (zero-shot prompting) أو كمولدات للتضمين (embedding generators) للتعلم الخاضع للإشراف، توفر بديلاً مرناً وفعالاً من حيث البيانات للنماذج الرقمية التقليدية للتنبؤ بسلوك السفر.