12021 ورقة بحثية
تقيم هذه الورقة أربعة من النماذج اللغوية الكبيرة ضمن نظام التوليد المعزز بالاسترجاع لبيانات الأغذية والتغذية، حيث وجدت أنه بينما تنجح هذه النماذج في ترجمة استعلامات اللغة الطبيعية إلى مرشحات بيانات وصفية مهيكلة لتقليل الجهد اليدوي، إلا أن موثوقيتها تنخفض عند التعامل مع الاستعلامات المعقدة التي تتضمن قيوداً تتجاوز النطاق التمثيلي للبيانات الوصفية الأساسية.
تقدم هذه الورقة البحثية MUGEN، وهو معيار شامل يكشف أن النماذج اللغوية الصوتية الكبيرة تعاني في فهم الأصوات المتعددة مع زيادة توسع المدخلات، وتوضح أن الجمع بين الاستراتيجيات غير المعتمدة على التدريب مثل الاتساق الذاتي التبادلي للصوت مع سلسلة الأفكار يمكن أن يحسن الأداء بشكل كبير.
تقدم هذه الورقة FoodOntoRAG، وهو مسار عمل مبتكر لا يتطلب ضبطاً دقيقاً، يستفيد من التوليد المعزز بالاسترجاع والاستدلال متعدد الوكلاء لتحقيق ربط كيانات غذائية قوي ومستقل عن الأنطولوجيا، يظل دقيقاً رغم انحراف الأنطولوجيا مع توفير مبررات قابلة للتفسير.
تقدم هذه الورقة مجموعة بيانات (corpus) محدثة ومدمجة باللغتين الإنجليزية والألمانية لخطابات البرلمان الأوروبي، وترجماتها، وتفسيراتها، مع بيانات وصفية منقحة وتوصيفات نظرية معلوماتية جديدة، مصممة لدعم الأبحاث حول التباين اللغوي، وخصائص لغة الترجمة (translationese)، والتنبؤ بحالات التلعثم في الترجمة الشفوية باستخدام النماذج الاحتمالية.
تقدم الورقة البحثية نظام MITRA، وهو نظام توليد معزز بالاسترجاع (RAG) محلي، صُمم لتعزيز استرجاع المعرفة في التعاونات الفيزيائية واسعة النطاق مثل CMS من خلال توظيف مسار مؤتمت مبتكر لمعالجة المستندات وبنية قاعدة بيانات شعاعية ثنائية الطبقات للإجابة بدقة على الأسئلة المرتبطة بالسياق مع ضمان خصوصية البيانات.
يُعد One-Eval نظاماً وكيلياً يعمل على أتمتة التقييم الشامل للنماذج اللغوية الكبيرة عبر تحويل الطلبات المكتوبة باللغة الطبيعية إلى سير عمل قابل للتتبع والتخصيص من خلال مكونات متكاملة لتخطيط المعايير المرجعية، وحل مشكلات مجموعات البيانات، وإعداد التقارير الموجهة نحو اتخاذ القرار، مما يقلل الجهد اليدوي ويعزز قابلية التكرار.
تقترح هذه الورقة استخدام أشجار "تشو-ليو" (Chow-Liu trees) لتحسين ترتيب الأجزاء في أطر عمل "سلسلة الوكلاء" (Chain-of-Agents)، حيث تُظهر أن عملية التتبع بالعرض للهيكل التبعي المتعلم تقلل بشكل كبير من فقدان المعلومات وتحسن دقة الاستنتاج في اختبارات السياق الطويل مقارنة بطرق الترتيب القياسية.
من خلال تجارب مسحية واسعة النطاق شملت أكثر من 19,000 مشارك، تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة الرائدة تتفوق عمومًا على الإعلانات السياسية التقليدية في القدرة على الإقناع، مع وجود تباينات ملحوظة في الأداء عبر النماذج وتأثير يعتمد على النموذج فيما يخص استراتيجيات التلقين القائمة على المعلومات.
تكشف هذه الورقة أن تمكين الاستنتاج في النماذج اللغوية الكبيرة يعزز بشكل كبير استرجاع المعرفة الواقعية البسيطة من خلال آليتين — التخزين المؤقت الحسابي والتهيئة الواقعية — بينما تثبت أيضاً أن الهلوسة في الحقائق الوسيطة خلال هذه العملية تزيد من أخطاء الإجابة النهائية، وهو اكتشاف يمكن استغلاله لتحسين دقة النموذج عبر إعطاء الأولوية لمسارات الاستنتاج الخالية من الهلوسة.
تُثبت هذه الورقة أن الاستنتاج يعزز باستمرار من الصدق في النماذج اللغوية الكبيرة من خلال توجيهها عبر فضاء تمثيلي تكون فيه حالات الخداع غير مستقرة وسهلة الاضطراب، مما يدفع النماذج في النهاية نحو حالات افتراضية أكثر استقراراً وصدقاً.