23688 ورقة بحثية
تقترح هذه الورقة إطار عمل لنمذجة النصوص والجداول متكيف مع الهدف، يستفيد من التمثيلات الخفية لنموذج "نموذج لغوي كبير كمراقب" (LLM-as-Observer) مجمد للتنبؤ بفعالية بقرارات نظراء التفاوض من الذكاء الاصطناعي غير المألوفين من خلال تاريخ تفاعل محدود، متفوقاً بذلك على التلقين المباشر والنماذج المرجعية القياسية القائمة على الميزات.
تقترح هذه الورقة أن النماذج اللغوية الكبيرة تقوم بالتعلم في السياق عبر التنقل في "فضاءات معتقدات مفاهيمية" منخفضة الأبعاد ومنظمة، حيث تظهر تحديثات المعتقدات كمسارات هندسية تنعكس باستمرار في كل من سلوك النموذج وتمثيلاته الداخلية، ويمكن التلاعب بها سببياً من خلال التدخلات الخطية.
تقدم هذه الورقة البحثية سياسات خريطة التدفق (Flow Map Policies)، وهي فئة جديدة من السياسات التوليدية التي تتيح توليد الإجراءات بسرعة في خطوة واحدة، وتقترح خوارزمية توجيه Q عبر خريطة التدفق (FLOW MAP Q-GUIDANCE - FMQ) مقترنة بالبحث الشعاعي الموجه بـ Q (Q-GUIDED BEAM SEARCH) لتحقيق أداء رائد في التعلم المعزز من التدريب غير المتصل إلى المتصل عبر المهام الروبوتية الصعبة.
تقدم هذه الورقة مجموعة بيانات جديدة من الواقع تم جمعها من شبكة 6G منشورة تجارياً عبر سيناريوهات تنقل متنوعة، وتتميز بقياسات فريدة للتقدم الزمني (timing advance) لمعالجة نقص البيانات الواقعية لتدريب وتقييم نماذج الذكاء الاصطناعي وتعلم الآلة التي تهدف إلى تحسين عمليات التسليم، وإدارة الشعاع، وإجراءات التنقل.
يُعد TextSeal نظاماً متطوراً لعلامات مائية لنماذج اللغات الكبيرة (LLM) خالياً من التشوه، يضمن كشفاً قوياً للمصدر وحمايةً من التقطير من خلال توليد مفاتيح مزدوجة وتحديد المواقع في مناطق متعددة، كل ذلك مع الحفاظ على جودة المخرجات ودعم تحسينات الخدمة دون أي عبء إضافي على عملية الاستدلال.
تقدم هذه الورقة DR-Gym، وهي بيئة محاكاة مفتوحة المصدر ومتوافقة مع Gymnasium، صُممت لتدريب وتقييم شركات المرافق الكهربائية في تحسين برامج الاستجابة للطلب من خلال نمذجة التفاعلات الواقعية على مستوى السوق، وأسعار الجملة ذات نظام تبديل الأنظمة، والطلبات المبنية على الفيزياء للمباني، وذلك لتعزيز القدرة على تحمل تكاليف الطاقة ومرونة الشبكة.
تقدم هذه الورقة ScaleSearch، وهي استراتيجية مبتكرة تعمل على تحسين عوامل قياس الفاصلة العائمة الكتلية (Block Floating Point) من خلال بحث دقيق لبتات المانتيسا (mantissa bits) لتقليل خطأ التكميم بشكل كبير وتحسين أداء النماذج التوليدية منخفضة الدقة، بما في ذلك خوارزمية ScaleSearchAttention المتخصصة التي تحقق فقدانًا يقارب الصفر في الأداء.
تقدم الورقة البحثية "نماذج الجذب" (Attractor Models)، وهي بنية معمارية مبتكرة تستخدم التفاضل الضمني لإيجاد النقاط الثابتة في التمثيلات الكامنة، مما يتيح صقلاً تكرارياً مستقراً وتكيفياً يحقق أداءً فائقاً في نمذجة اللغة والاستدلال بتكاليف حوسبة أقل، مع القدرة الفريدة على استيعاب حالات التوازن من أجل استنتاج فعال.
يُعد KV-Fold بروتوكول استدلال بسيط للسياقات الطويلة لا يتطلب تدريباً، حيث يعامل ذاكرة التخزين المؤقت لـ KV كمتراكم طي يساري (left-fold accumulator) لتمكين معالجة تسلسلية مستقرة وفعالة من حيث الذاكرة عبر السلاسل العميقة دون الحاجة إلى إعادة تدريب النموذج أو تغييرات هيكلية.
تكشف هذه الورقة عن اقتران هندسي جوهري بين الموجهات (routers) والخبراء (experts) في نماذج خليط الخبراء المتناثرة (Sparse Mixture-of-Experts)، حيث تراكم الاتجاهات المتطابقة تواريخ الرموز المشتركة، مما يوضح أن هذا الاقتران يتعرض للاختلال بسبب خسائر موازنة الأحمال المساعدة، ولكن يمكن محاكاته بفعالية بواسطة موجه "K-Means" خالي من المعلمات لتحقيق موازنة أحمال متفوقة.