12323 ورقة بحثية
تحدد هذه الورقة "الاعتماد على السياق" كنمط فشل حرج في عملية تحرير المعرفة القائمة على التنبؤ بالرمز التالي للنماذج اللغوية الكبيرة، حيث تصبح المعلومات المتعلمة معتمدة على سياق سابق محدد، وتقترح إطار عمل COIN للتخفيف من هذه المشكلة من خلال تشجيع التعلم المستقل عن السياق، مما يؤدي إلى تحسين معدلات نجاح التحرير بشكل كبير.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة (LLMs) ونماذج الرؤية واللغة (LVLMs) تتشارك في فضاء فرعي كبير من الخلايا العصبية غير المرتبط بالنمط (modality-invariant) والمسؤول عن الاستدلال متعدد الخطوات، وتستفيد من هذا الاكتشاف لاقتراح دمج العصبونات المشتركة منخفض الرتبة (SNRF)، وهو إطار عمل فعال من حيث المعلمات ينقل قدرات الاستدلال الناضجة من النماذج اللغوية الكبيرة إلى نماذج الرؤية واللغة دون الحاجة إلى ضبط دقيق متعدد الوسائط واسع النطاق.
يُعد TriTopic إطار عمل مفتوح المصدر لنمذجة المواضيع القائمة على الرسوم البيانية ثلاثية الأنماط، وهو يتغلب على عدم الاستقرار وعدم الدقة اللفظية للطرق الحالية من خلال دمج التضمينات الدلالية، وTF-IDF، والبيانات الوصفية عبر بناء رسوم بيانية هجينة، وتجميع توافقي، وتحسين تكراري لتحقيق أداء فائق وتغطية كاملة للمتن عبر مجموعات بيانات متنوعة.
تثبت هذه الدراسة تجريبياً أن النماذج اللغوية الكبيرة ترمز مفهوم الجودة العلمية من خلال سمات أحادية المعنى متميزة — تم تحديدها عبر المشفّرات التلقائية المتفرقة — تلتقط جوانب رئيسية مثل منهجيات البحث، وأنواع المنشورات، والمجالات ذات التأثير العالي، والمصطلحات العلمية، مما يتيح التنبؤ بمقاييس البحث مثل أعداد الاستشهادات وتصنيفات المجلات.
تقيم هذه الورقة قدرات الاستدلال الصوري لأربعة نماذج لغوية كبيرة ضمن بيئات اللعب العام، كاشفةً أنه بينما تُظهر النماذج الحالية تقدماً ملحوظاً، فإن أداءها يتدهور مع زيادة تعقيد المهام وعمق الخطوات، وغالباً ما يكون ذلك بسبب أخطاء استدلال محددة مثل القواعد المهلوسة والأخطاء النحوية.
تقدم هذه الورقة مجموعة بيانات جديدة للتنبؤ بالردود مشروطة بالسياق التاريخي على منصة إكس (تويتر سابقاً) لقياس التباينات اللغوية بين المحتوى المولد بسذاجة بواسطة النماذج اللغوية الكبيرة والتواصل البشري الأصيل، مما يقدم إطاراً لتحسين صلاحية أبحاث العلوم الاجتماعية الحوسبية.
تقدم هذه الورقة البحثية إطار عمل PR2، وهو إطار للتعلم التعزيزي يعزز الإجابة الشخصية على الأسئلة من خلال تعلم سياسات تكيفية لتحديد متى وماذا يجب استرجاعه من السياق الشخصي ديناميكيًا، مما يدمج الاستدلال متعدد الخطوات مع الإشارات الخاصة بالمستخدم ليتفوق بشكل كبير على النماذج المرجعية الحالية لتوليد النصوص المعزز بالاسترجاع.
تقدم هذه الورقة البحثية SenTSR-Bench، وهو معيار مرجعي للاستدلال التشخيصي للسلاسل الزمنية الصناعية في العالم الحقيقي، وتقترح إطار عمل هجين يستفيد من التعلم التعزيزي لضخ رؤى متخصصة في المجال من نماذج السلاسل الزمنية المضبوطة بدقة في النماذج اللغوية الكبيرة العامة ذات القدرة على الاستدلال، مما يتفوق بشكل كبير على النماذج الحالية في مهام التشخيص المعقدة.
تستقصي هذه الورقة بشكل منهجي تأثير قوالب التلقين، ودوال المكافأة، وتحسين السياسات على وكلاء البحث العميق، كاشفةً أن تلقينات "التفكير السريع" (Fast Thinking)، ومكافآت F1 مع عقوبات على مستوى الإجراء، وخوارزمية REINFORCE تحقق استقراراً وأداءً متفوقين، مما أدى إلى تطوير النموذج المرجعي المعزز Search-R1++.
تقدم الورقة البحثية منصة DEEP، وهي منصة قائمة على تقنية Docker تعمل على أتمتة تنفيذ وتقييم والتحليل العنقودي الإحصائي لنماذج الترجمة الآلية والتعرف الضوئي على الحروف، مع توفير واجهة ويب لتصور وتفسير فروق الأداء بين الأنظمة المتنافسة.