12323 ورقة بحثية
تقيم هذه الدراسة القدرات المعرفية ومعايرة اليقين للنماذج اللغوية الكبيرة العامة والمتخصصة في مجال معين عند تقييم الإبلاغ عن التجارب السريرية وفقًا لمعايير "كونسورت" (CONSORT)، مما يكشف عن ثقة مفرطة وعدم معايرة ملحوظين يسلطان الضوء على الحاجة الملحة لتحسين المعايرة والشفافية وهندسة الأوامر في الذكاء الاصطناي الطبي.
تقدم هذه الورقة البحثية طريقة "اختيار التفضيل القوي" (RPS)، وهي طريقة لا تتطلب تدريباً وتُطبق في مرحلة ما بعد التدريب، تستفيد من إجماع الجوار الاتجاهي لعيننة واختيار الاستجابات المتفوقة، مما يساهم بفعالية في سد فجوة تغطية التفضيلات وتعزيز متانة النموذج عبر مختلف الاحتياجات البشرية دون الحاجة إلى إعادة التدريب.
تقدم هذه الورقة أول برهان نظري على أن P يتيح نقل معدل التعلم إلى الشبكات العصبية الخطية (MLPs) ذات العرض اللانهائي من خلال ضمان تقارب معدل التعلم الأمثل إلى ثابت غير صفري، وهي خاصية تفشل في ظل معلمات التقييس القياسية ومعلمات مماس الأعصاب (NTK).
تقدم هذه الورقة البحثية "درجة شجرة عملية الاستدلال" (RPTS)، وهي مقياس ذو بنية شجرية لتقييم مدى دقة خطوات الاستدلال متعدد الوسائط، وتتحقق من صحتها من خلال معيار جديد (RPTS-Eval) يكشف عن أوجه القصور في النماذج اللغوية البصرية الكبيرة الحالية فيما يتعلق بالعلاقات بين الوسائط وعيوب الاستدلال التي تحجبها الإجابات الصحيحة.
تقترح هذه الورقة إطار عمل SORL، الذي يقدم أخذ عينات الأهمية على مستوى الدور والتقييس المحفز بالقص لاستقرار التعلم المعزز خارج السياسة لوكلاء النماذج اللغوية الكبيرة ذوي الأفق الطويل، مما يمنع انهيار التدريب بفعالية ويحسن الأداء في المهام متعددة الأدوار من خلال خوارزميات SO-PPO وSO-GRPO الخاصة به.
تقدم هذه الورقة إطار تقييم مبتكر ثلاثي المستويات يسد الفجوة في تقييم الكفاءة الثقافية لنماذج الرؤية واللغة من خلال تشغيل المفاهيم النظرية الفنية عبر خمسة مستويات وستة تقاليد، كاشفةً أن النماذج الحالية تتفوق في الوصف البصري لكنها تتدهور بشكل كبير في التفسير الثقافي مع إظهار انحياز غربي.
تقدم هذه الورقة VULCA-Bench، وهو معيار مرجعي متعدد الثقافات للرؤية واللغة يضم 7,410 زوجًا ثنائي اللغة من الصور والنقد عبر ثمانية تقاليد ثقافية وإطار تقييم خماسي الطبقات لتقييم وكشف قصور النماذج الحالية في الفهم الثقافي رفيع المستوى بما يتجاوز الإدراك البصري الأساسي.
تقدم الورقة البحثية HEART، وهو معيار موحد يقارن بشكل مباشر بين البشر والنماذج اللغوية الكبيرة في حوارات الدعم العاطفي باستخدام مقياس قائم على أسس علمية، ويكشف أن النماذج الرائدة تقترب من المستويات البشرية في التعاطف والاتساق، بينما لا يزال البشر يتفوقون في إعادة الصياغة التكيفية وتحولات النبرة الدقيقة، كل ذلك مع إظهار توافق قوي بين معايير التقييم البشرية والآلية.
تقترح الورقة البحثية إطار عمل GiG، وهو إطار عمل جديد لتخطيط المهام المتجسدة يجمع بين الشبكات العصبية الرسومية لهيكلة ذاكرة الخبرة ووحدة استشراف محدودة لتعزيز الاستدلال طويل المدى والتفوق بشكل كبير على النماذج المرجعية الحالية في عدة معايير قياسية.
تقدم هذه الورقة FLIP، وهو نهج لنمذجة المكافأة بدون مرجع يستفيد من الاستدلال العكسي لإعادة بناء التعليمات من الاستجابات، مما يظهر أداءً متفوقًا على النماذج المرجعية القائمة على النموذج اللغوي الكبير كحَكَم (LLM-as-a-Judge)، ويعزز بشكل كبير المهام اللاحقة باستخدام النماذج اللغوية الصغيرة.