24832 ورقة بحثية
تكشف هذه الورقة أن مجموعات بيانات سلامة الذكاء الاصطناعي المستخدمة على نطاق واسع معيبة لأنها تعتمد على "إشارات تحفيزية" صريحة بدلاً من السلوك العدائي الواقعي، مما يثبت أنه عند إزالة هذه الإشارات عبر تقنية تسمى "غسيل النوايا"، تفشل حتى النماذج رفيعة المستوى في منع المخرجات الضارة.
تقدم هذه الورقة إطار عمل DynaMO، وهو إطار عمل قائم على أسس نظرية يعمل على تحسين التعلم المعزز باستخدام مكافآت قابلة للتحقق للنماذج اللغوية الكبيرة من خلال اشتقاق تخصيص تسلسلي لعمليات التدحرج يقلل التباين، وتنفيذ تعديل لميزة مستوى الرمز (token-level advantage) يكون مدركاً للتدرج، وذلك لمعالجة عدم كفاءة الموارد وعدم استقرار التدريب.
تقيم هذه الدراسة منصة "OncoBrain"، وهي منصة ذكاء اصطناعي تجمع بين النماذج اللغوية الكبيرة وطبقات متخصصة للاسترجاع والسلامة، وتجد أنها تولد خطط علاج أورام اعتبرها أطباء من تخصصات متعددة متوافقة مع الإرشادات التوجيهية ودقيقة علمياً وآمنة، مما يدعم إمكانية تقييمها مستقبلياً في بيئات الرعاية الواقعية لمرضى السرطان في مراكز الرعاية المجتمعية.
تقدم هذه الورقة M-CARE، وهو إطار تقرير سريري معياري مُقتبس من الطب البشري لتشخيص وتصنيف الاضطرابات السلوكية للذكاء الاصطناعي، تم التحقق من صحته من خلال أطلس مكون من 20 حالة وأدلة تجريبية على ظواهر مثل التجاوز السلوكي الناجم عن القشرة (SIBO).
تقدم هذه الورقة البحثية نموذج AITP، وهو نموذج لغوي كبير متعدد الوسائط يستفيد من سلسلة أفكار متعددة الوسائط وتوليد معزز بالاسترجاع للقيام بتخصيص مسؤولية حوادث المرور المعقدة، مدعوماً بمعيار DecaTARA الشامل الذي يحتوي على ما يقرب من 68,000 فيديو مشروح.
تقدم الورقة البحثية KinetiDiff، وهو إطار عمل قائم على البنية يدمج الانتشار المكتمل هندسياً مع توجيه التدرج من AutoDock Vina في الوقت الفعلي، لتوليد مثبطات قوية، وسهلة التصنيع، ومتنوعة من تصميم جديد لإنزيم ACVR1 kinase في حالة خلل تنسج العظام المترقي، متفوقاً بذلك على كل من نهجي الوكيل العصبي والنهج غير الموجه.
تتناول هذه الورقة نقص قوانين الحفظ في معادلات حقل النواة الطيفية من خلال إثبات طبيعتها الموسعة للحجم واشتقاق معادلة ديناميكيات التمييز لسد هذا العجز، مع وضع مبرهنة شرطية لضغط الحفاظ على الطوبولوجيا لرسوم الأسطح الكوكبية وتشخيص طيفي لشبكات الصرف.
تقدم هذه الورقة أول دراسة تجريبية تثبت أن التدريب المسبق للمشفر التلقائي المقنع (MAE) يمكن أن يحسن بشكل كبير التنبؤ بمقاييس الحفر في الآبار على بيانات من العالم الحقيقي، محققةً انخفاضاً بنسبة 19.8% في الخطأ مقارنة بنماذج GRU الخاضعة للإشراف المرجعية، مع الكشف عن أن عرض الفضاء الكامن هو العامل المعماري الحاسم للنجاح في نظام القياس عن بُعد ذي التردد 1 هرتز وعالي التكرار.
يُعد FairyFuse نظام استدلال يعتمد على وحدة المعالجة المركزية (CPU) يحقق تنفيذاً خالياً من عمليات الضرب وتسريعاً في النواة بمقدار 29.6 ضعفاً عبر دمج عمليات الأوزان الثلاثية في حلقة AVX-512 واحدة، مما يتيح توليد نماذج لغوية كبيرة (LLMs) عالي الإنتاجية وشبه خالٍ من الفقد على الأجهزة الشائعة دون عمليات ضرب للأعداد العائمة.
تقترح الورقة البحثية "Absorber LLM"، وهي طريقة للتدريب أثناء وقت الاختبار، والتي تصيغ الاحتفاظ بالسياق الطويل كمسألة تزامن سببي ذاتي الإشراف لتمكين نموذج عديم السياق من مطابقة تنبؤات نموذج كامل السياق، مما يحقق استنتاجاً بذاكرة ثابتة مع دقة محسنة مقارنة بنهج الذاكرة القائمة على المعلمات الموجودة حالياً.