11158 ورقة بحثية
تثبت هذه الورقة أن عملية التجزئة (tokenisation) عبر الأبجديات المحدودة، بما في ذلك حالتي الثنائية والأحادية، هي مسألة معقدة من فئة NP-complete وAPX-hard جوهرياً، مما يؤكد أن استعصاءها الحسابي هو عائق متأصل وليس مجرد نتاج لضخامة أبجديات المدخلات، وتوضح ضرورة النهج الاستدلالي في الخوارزميات العملية الحالية.
تقدم الورقة البحثية "Length-MAX tokenizer"، وهي طريقة مبتكرة تُحسّن اختيار المفردات عبر نهج تقسيم الرسوم البيانية لتقليل متوسط الرموز لكل حرف، مما يحقق انخفاضات كبيرة في خطوات التدريب، وزمن انتقال الاستدلال، واستهلاك الذاكرة، مع تحسين الأداء في المهام اللاحقة مقارنةً بترميز زوج البايت (Byte Pair Encoding) القياسي.
تقترح هذه الورقة البحثية إطار عمل HFS، وهو إطار عمل قابل للتدريب من طرف إلى طرف يستفيد من نموذج لغوي صغير لتقييم الإطارات بناءً على الاستعلام، ومع هدف مستوٍ قابل للتفاضل مع تعلم متبادل بين الطالب والمعلم للتغلب على قيود الطرق الحالية القائمة على النقاط والمعايير الثابتة، محققاً أداءً فائقاً في معايير فهم الفيديو.
تقيم هذه الدراسة ثلاثة من نماذج اللغات الكبيرة المتطورة عبر مهام اتخاذ القرار السريري، وتجد أنه في حين أن هندسة الأوامر تحسن الأداء بشكل كبير في مجالات ضعف محددة مثل الاختبار التشخيصي، إلا أنها ليست حلاً عالمياً ويمكن أن تؤدي إلى نتائج عكسية لمهام أخرى، مما يسلط الضوء على الحاجة إلى استراتيجيات دمج مخصصة ومدركة للسياق.
تقدم الورقة البحثية إطار عمل موحد يُدعى EGMF، والذي يستفيد من شبكة متعددة المقاييس بتوجيه من الخبراء ونماذج لغوية كبيرة مع ضبط دقيق كفء في المعلمات لتحقيق أداء رائد في كل من التعرف على العواطف المنفصلة وتحليل المشاعر المستمر عبر لغات ومجموعات بيانات متعددة.
تقدم الورقة البحثية SPRInG، وهو إطار عمل شبه معالم (semi-parametric) للتخصيص المستمر للنماذج اللغوية الكبيرة (LLM)، والذي يجمع بين التكيف الانتقائي المدفوع بالانحراف لتحديث المهايئات الخاصة بالمستخدم عند حدوث تفاعلات ذات جدة عالية، وبين التوليد القائم على الاسترجاع والتدخل، مما يعالج بفعالية تطور التفضيلات مع منع النسيان الكارثي.
تحدد هذه الورقة فشلاً حرجاً في التواصل لدى وكلاء النماذج اللغوية الكبيرة (LLM) الموجهين لخدمة المستخدم، حيث لا يترجم الاستنتاج الداخلي تلقائياً إلى إفصاح عن المعلومات في الوقت المناسب للمستخدم، مما يثبت أن التجسيد الخارجي الصريح للمعرفة ذات الصلة بالقرار أكثر فعالية في نجاح المهام من مجرد زيادة جهود "التفكير" الداخلية.
تُثبت هذه الورقة أنه، خلافاً للحدس السائد، فإن الضبط الدقيق الخاضع للإشراف على بيانات تسلسل الأفكار يحقق أداءً استدلالياً فائقاً من خلال التدريب المتكرر على مجموعات بيانات أصغر حتى يتم الوصول إلى مرحلة الحفظ الكامل، بدلاً من التوسع في حجم مجموعة البيانات لدورة تدريبية واحدة.
تقترح الورقة البحثية "خبير القفل المساري" (Path-Lock Expert - PLE)، وهو حل على مستوى البنية التحتية يستبدل طبقات التغذية الأمامية المفردة بخبيرين مقفلين دلالياً لأنماط استدلال متميزة، مما يقضي فعلياً على تسرب الاستدلال ويحسن الدقة في سيناريوهات عدم التفكير مع الحفاظ على أداء قوي في أنماط التفكير.
تقدم هذه الورقة UI-MOPD، وهو إطار عمل مبتكر يستفيد من التقطير متعدد المعلمين في السياسة الموحدة (multi-teacher on-policy distillation) ومن مجموعة بيانات Uni-GUI التي تم إنشاؤها حديثاً لتدريب وكيل واجهة مستخدم رسومية موحد وعابر للمنصات، مما يدمج بفعالية الخبرات المتخصصة في أجهزة المكتب والهواتف المحمولة مع التغلب على التحديات المتعلقة بندرة البيانات واختلاف تقاليد التفاعل.