12021 ورقة بحثية
تقدم هذه الدراسة نظرة شاملة على المنظومة الناشئة للنماذج اللغوية الكبيرة والأدوات التي تدعم الباحثين عبر الدورة العلمية بأكملها، حيث تغطي المهام الرئيسية بدءاً من البحث في الأدبيات وتوليد الأفكار وصولاً إلى إنشاء المحتوى والتجريب والتقييم، مع معالجة مجموعات البيانات والأساليب والقيود والمخاوف الأخية المرتبطة بها.
تقدم الورقة البحثية نماذج مكافأة الاستدلال (ReasRMs)، وتحديداً عائلة RM-R1، التي تعيد صياغة نمذجة المكافأة كمسألة استدلال باستخدام آلية "سلسلة المعايير" (chain-of-rubrics) ومسار تدريب ثنائي المرحلة لتحقيق قدرة فائقة على التفسير والأداء مقارنة بالنماذج الضخمة الحالية.
تقدم هذه الورقة البحثية EVA، وهو إطار عمل جديد للتحويل من غير متزامن إلى متزامن (A2S) على مستوى الحدث مستوحى من نمذجة اللغة، والذي يولد سمات عالية التعبير، متفوقاً بذلك على الأساليب السابقة في مهام التعرف ومحققاً نتائج هي الأفضل في مجالها في اكتشاف الأحداث للرؤية القائمة على الأحداث.
تقدم الورقة البحثية ESGenius، وهو أول معيار شامل يتكون من مجموعة منسقة من وثائق الحوكمة البيئية والاجتماعية وحوكمة الشركات (ESG) الموثوقة ومجموعة بيانات أسئلة وأجوبة تم التحقق منها بدقة، والتي تكشف أنه بينما تظهر النماذج اللغوية الكبيرة أداءً متوسطاً في وضع "الصفر محاولة" (zero-shot) في مجالات الاستدامة، فإن دقتها تتحسن بشكل كبير عندما تعتمد على التوليد المعزز بالاسترجاع (RAG) باستخدام المواد المصدرية المقدمة.
تقدم هذه الورقة مساراً آلياً حتمياً يحول مجموعات البيانات الخام الخاصة بمجالات معينة إلى اختبارات مرجعية قائمة على أسلوب الإكمال، وذلك لتوفير تقييمات قابلة للتوسع وغير منحازة ومستقلة عن النماذج اللغوية الكبيرة لقياس الخبرة في مجالات محددة في كل من النماذج الأساسية والمصقولة بالتعليمات، مما يعالج بفعالية مشكلات تلوث الاختبارات المرجعية وانحياز الاختيار من متعدد.
تقدم الورقة البحثية "Sysformer"، وهو نهج مبتكر يعمل على حماية النماذج اللغوية الكبيرة المجمدة من خلال تعلم تكييف مطالبات النظام في فضاء التضمين لتعزيز متانة السلامة بشكل كبير ضد المدخلات الضارة وهجمات كسر الحماية دون الحاجة إلى ضبط دقيق مكلف للنموذج.
تقدم هذه الورقة البحثية VLMQ، وهو إطار عمل للكمّنة ما بعد التدريب مصمم لنماذج الرؤية واللغة يستفيد من عامل أهمية مدفوع بالتدرج لمعالجة التمثيل البصري المفرط وفجوات الأنماط، مما يحقق أداءً هو الأفضل في فئته عبر مختلف أحجام النماذج وإعدادات البت المنخفضة.
تقدم هذه الورقة دراسة حالة تثبت أن تقنية التوليد المعزز بالاسترجاع الهجين (Hybrid RAG) تتفوق باستمرار على التلقين المباشر للسياق الطويل عبر الأدلة التقنية الزراعية باللغات الإنجليزية والفرنسية والألمانية، محققة دقة تزيد عن 85% مع نماذج مثل Gemini 2.5 Flash وQwen 2.5 7B في الإجابة على الأسئلة متعددة اللغات.
تقترح الورقة البحثية إطار عمل CMRAG، وهو إطار مبتكر يعزز استرجاع الوثائق المرئية والإجابة على الأسئلة من خلال توحيد الوسائط النصية والصورية عبر فضاء تضمين مشترك وطريقة استرجاع مشتركة الوسائط ومعيرة، مما يؤدي إلى التفوق على النهج الحالية أحادية الوسائط.
يُعد MERLIN إطار عمل قائمًا على المنهج الدراسي ومكونًا من مرحلتين، يدمج المشفرات متعددة اللغات مع النماذج اللغوية الكبيرة باستخدام الضبط الدقيق الفعال بتقنية DoRA لتعزيز أداء الاستدلال عبر اللغات بشكل كبير، لا سيما في اللغات ذات الموارد المنخفضة حيث تقصر الأساليب الحالية وحتى نموذج GPT-4o-mini عن تحقيق ذلك.