12334 ورقة بحثية
تقدم هذه الورقة البحثية "توليد الاستدلال المعزز بالبنية" (SARG)، وهو إطار عمل معياري لما بعد الاسترجاع يعزز قدرات نماذج اللغات الكبيرة في الاستدلال متعدد الخطوات من خلال تحويل المستندات المسترجعة غير المهيكلة إلى رسوم بيانية للمعرفة وسلاسل استدلال صريحة، مما يؤدي إلى تحسين الدقة الواقعية، وتماسك الاستدلال، والقابلية للتفسير بشكل كبير دون الحاجة إلى أدوات استرجاع مخصصة أو ضبط دقيق.
تُعد ريفيلا (Revela) إطار عمل تدريب ذاتي الإشراف وقابل للتوسع، يعمل على تكييف أهداف نمذجة اللغة لتعلم المسترجعات الكثيفة عبر نمذجة التبعيات الدلالية بين المستندات من خلال الانتباه داخل الدفعة (in-batch attention)، مما يحقق أداءً هو الأفضل في فئته على الاختبارات المعيارية المتخصصة والمكثفة في الاستدلال دون الحاجة إلى أزواج استعلام-مستند مُصنفة.
تقدم هذه الورقة ClassifSAE، وهي بنية مبتكرة تعتمد على المشفر التلقائي المتناثر (Sparse Autoencoder) ومصممة خصيصاً لتصنيف النصوص، حيث تتفوق على أساليب التفسير الحالية من خلال تحسين السببية وقابلية التفسير للميزات المستخرجة عبر رأس تصنيف متخصص وفقدان تشتت معدل التنشيط.
تجادل هذه الورقة بأنه للتغلب على الثقة المفرطة للنماذج اللغوية الكبيرة وتعزيز الثقة بين الإنسان والآلة، يجب أن يتبنى التعبير اللفظي عن عدم اليقين نهجاً "محاكياً للبشر" يحاكي السلوكيات اللغوية الدقيقة ويراعي التحيزات المتأصلة في التواصل البشري بشأن عدم اليقين.
يُعد CoAct-1 نظاماً جديداً متعدد الوكلاء يعزز أتمتة الحاسوب من خلال الجمع التآزري بين التحكم القائم على واجهة المستخدم الرسومية والتنفيذ البرمجي المباشر، محققاً معدل نجاح جديداً هو الأفضل في فئته بنسبة 60.76% وتحسناً ملحوظاً في الكفاءة على معيار OSWorld.
تقيم هذه الورقة ١٨ نموذجاً من نماذج اللغات الكبيرة مفتوحة المصدر في قدرتها على توليد سلاسل تلميحات ثابتة مقابل ديناميكية للإجابة على الأسئلة العلمية، كاشفةً من خلال دراسة مستخدمين أنه بينما تقيم المقاييس التلقائية جودة التلميحات، إلا أنها تفشل في استيعاب تفضيلات المتعلمين المتميزة والفعالية الدقيقة لاستراتيجيات التدعيم المختلفة بشكل كامل.
تقدم هذه الورقة إطار عمل للتعاون بين البشر والنماذج اللغوية الكبيرة يستخدم أخذ العينات بالرفض لاستنتاج مسارات التفكير من التعليقات التوضيحية التي تقتصر على الملصقات فقط، والتي تُستخدم بعد ذلك لضبط النماذج اللغوية الكبيرة المفتوحة وتقييمها وتحسين الإرشادات الخاصة بالنماذج المملوكة، مما يحسن بشكل كبير من موثوقيتها وتوافقها مع الأحكام البشرية.
تقدم الورقة البحثية MUCH، وهو أول معيار متعدد اللغات للتقدير الكمي لعدم اليقين على مستوى الادعاء، والذي يتميز بخوارزمية تقسيم حتمية عالية الكفاءة ويصدر احتمالات التوليد (generation logits) لتمكين تقييم عادل وقابل للتكرار وواقعي لموثوقية النماذج اللغوية الكبيرة عبر أربع لغات أوروبية.
تقدم هذه الورقة طريقة تداخل عابرة للغات بسيطة وقابلة للتوسع تعمل على تحسين أداء نماذج لغة الكلام عبر اللغات دون إشراف نصي، مدعومة بإصدار مجموعة بيانات تدريب ضخمة للإنجليزية والفرنسية ومعايير مرجعية اصطناعية جديدة للتقييم.
تقترح هذه الورقة دراسة تجريبية واسعة النطاق لتحليل كيفية تأثير اعتماد مكتبات الذكاء الاصطناعي في مشاريع لغة بايثون وجافا مفتوحة المصدر على نشاط التطوير، والمشاركة المجتمعية، وتعقيد الكود من خلال مقارنة 157,700 مستودع برمجِيّ.