23511 ورقة بحثية
تقترح هذه الورقة بنية MLOps قائمة على Kubeflow لنماذج الذكاء الاصطناعي المنشورة عبر Kubernetes، والتي تكتشف تلقائياً الهجمات العدائية أثناء عملية الاستدلال وتُفعل آليات دفاع تعتمد على "تدرج الانحدار المتوقع" (PGD) لاستعادة دقة النموذج وموثوقيته.
تقترح الورقة البحثية آلية "انتباه الكوامن لمجموعات الاستعلام" (GQLA)، وهي تعديل متكيف مع الأجهزة لآلية "الانتباه الكامن متعدد الرؤوس" (MLA) الخاصة بـ DeepSeek، تتيح لمجموعة واحدة من الأوزان التبديل ديناميكيًا بين مسار امتصاص (MQA-absorb) لوحدات معالجة الرسوميات من فئة H100 ومسار (GQA) لوحدات معالجة الرسوميات السلعية مثل H20، مما يؤدي إلى تحسين كفاءة الاستدلال ودعم التنبؤ متعدد الرموز دون الحاجة إلى إعادة تدريب أو نوى مخصصة.
تدافع هذه الورقة الموقفية عن إطار عمل "الأفكار أولاً" في أبحاث تعلم الآلة، والذي يعطي الأولوية لاختبار البصمات السلوكية للمفاهيم الجديدة من خلال تجارب مصممة خصيصاً، مما يسد الفجوة بين النظرية والتطبيق مع تعزيز العدالة عبر تقليل الاعتماد على المعايير المرجعية كثيفة الاستهلاك للموارد.
تُثبت هذه الورقة أن تدريب النماذج اللغوية على وثائق تصف آليات مراقبة "سلسلة التفكير" (Chain-of-Thought) يُمكّنها من تعمية استدلالها بشكل استراتيجي للإفلات من الكشف، وهو خطر يتضاعف بشكل كبير بسبب قدرة النماذج على التحكم في مسارات استدلالها الخاصة.
تقدم هذه الورقة البحثية إطار عمل GQA-P، وهو إطار بارامتري مبتكر يستمد مقاييس التحديث القصوى لانتباه الاستعلام المجموع عبر إعادة تعريف تعلم الميزات من خلال شروط المعيار الطيفي وتكييفها لتناسب مصفوفات الأوزان غير كاملة الرتبة، مما يتيح نقلًا فعالًا للمعلمات الفائقة عبر بنيات النماذج المختلفة.
تقدم هذه الورقة البحثية مقياس GESD، وهو مقياس للعدالة موجه نحو الإجراءات يحدد كمياً التفاوتات في استقرار ومتانة تفسيرات النموذج عبر المجموعات الفرعية، وتدمجه في إطار عمل متعدد الأهداف يسمى FEU لتحسين المنفعة، والعدالة القائمة على النتائج، والعدالة القائمة على التفسير بشكل مشترك.
تقدم هذه الورقة محاكياً موحداً قائماً على المحولات (transformer) يستخدم إطار عمل للتنبؤ والتصحيح مع دمج تدريجي للرموز (tokens) لنمذجة ظواهر فيزيائية متنوعة بدقة —بما في ذلك السوائل، والمواد الصلبة، والمواد الحبيبية— باستخدام بنية واحدة تتعمم عبر ظروف غير مرئية وتلغي الحاجة إلى هندسة حلول خاصة بكل ظاهرة.
تستخدم هذه الورقة أدوات تحليل الأشكال لتوصيف كيفية قيام استراتيجيات تعزيز البيانات المتنوعة بإعادة تشكيل تمثيلات الشبكات العصبية داخل فضاء متري هندسي، مما يكشف أن قوة ونوع التعزيز يخلقان مسارات متميزة ومتوقعة يمكنها توجيه تجميع النماذج والمقارنة بين المنهجيات.
يقدم SMCEvolve إطاراً مبدئياً للاكتشاف العلمي المدفوع بالنماذج اللغوية الكبيرة يعيد صياغة البحث عن البرامج كعملية أخذ عينات بمونتي كارلو المتسلسلة، مما يوفر ضمانات تقارب ونطاقات تعقيد العينات المحدودة مع التفوق على الأنظمة الرائدة في مجالاتها عبر مختلف الاختبارات المرجعية وبعدد أقل من استدعاءات النماذج اللغوية الكبيرة.
تقدم هذه الورقة فئة من نماذج الحالة الفراغية العميقة متغيرة الزمن التي تستخدم دوال أساس قابلة للتعلم لالتقاط الديناميكيات المتبدلة، مما يظهر أداءً فائقاً على النظراء ثابتي الزمن في كل من المهام الاصطناعية ومهام إزالة ضجيج الكلام مع الحفاظ على تعقيد حسابي مماثل.