كل الأخبار
10835
شبكة عصبية متعددة الوسائط لمرض ألزهايمر تحقق AUROC 0,935 على 2649 مريضًا
إطار جديد يدمج الرنين المغناطيسي والمحوّلات السريرية وODE-GRU. يبلغ AUROC للتشخيص 0,935 على ADNI وOASIS-2 وMIRIAD، لكنه يتراجع إلى 0,763 على OASIS-3 الخارجية.

CARing يعلّم نماذج LLM التنبؤ بالتشخيصات: R@30 يبلغ 46,52% على MIMIC-IV
يرمّز مؤلفو CARing التشخيصات عبر Semantic IDs ويكافئون النموذج على تغطية تشخيصات مختلفة. في وضع الاستدلال بلغ R@30 نسبة 46,04% على MIMIC-III و46,52% على MIMIC-IV.

التفكير المرئي (CoT) لا يحسّن توليد شيفرات SQL وpandas بشكل شامل: دراسة جديدة
اختبرت ورقة أولية على arXiv نصيحة «فكّر بصوت عالٍ» على SQL وpandas مع تنفيذ الشيفرة. لم يجد المؤلفون مكسباً عاماً من CoT ولا فائدة من «التفكير بلغة المهمة».

تدريب SPERA على 80 000 ساعة من EEG لـ 29 048 شخصًا واختباره على 9 مهام

80 حوارًا اصطناعيًا تكفي لمجسّات التنشيط في Gemma-3-27B، لكن ليس في كل الحالات

Temporal Transformer لناقل CAN يكشف الحالات الشاذة دون تبادل البيانات الخام

تجميد وحدة فك الترميز عند ضغط KV-cache يوفر ذاكرة بمقدار 3x، لكنه لا يرفع الدقة

SFT-as-context يعيد المهارات العامة إلى نماذج LLM المدرَّبة تدريبًا إضافيًا: فجوة لا تتجاوز 2,2 نقطة مئوية
طريقة جديدة دون إعادة تدريب تجعل النموذج الأساسي يستخدم إجابة نسخة SFT منه كسياق. في 19 زوجًا من النماذج، لا تتجاوز خسارة المهارات العامة 2,2 نقطة مئوية في المتوسط.

Lapras يستبدل CoT بالاستدلال الكامن: ارتفاع F1 حتى +10,79% مع توليد رموز أقل بمقدار 23,9 مرة
يعلّم Lapras، وهو أسلوب جديد لما بعد التدريب، نماذج السلاسل الزمنية الاستدلال في الفضاء الكامن: ارتفاع F1 حتى +10,79% مقارنة بـ CoT، ورموز مولَّدة أقل بمقدار 23,9…

FedAlphaEdit يدمج تعديلات المعرفة من مؤسسات مختلفة في نموذج لغوي واحد دون تبادل البيانات

ثلاثة نماذج LLM تتبع تعليمات التلعثم والمقاطعة بشكل سيئ، والقواعد الثابتة تتفوق عليها

علم اللغة الاجتماعي بدلًا من قضاة LLM: اختبار شخصيات المحاكاة على 5 وكلاء

AI4Fire: أداة SQL ترفع دقة نماذج LLM في قواعد بيانات الحرائق من 16% إلى 88%

Galahad-kv يحفظ KV-cache على NVMe ويحمّل الكتلة أسرع بـ2,8–4,3 مرة من إعادة الحساب
تخزّن حزمة galahad-kv حالة KV لـ50 مليون توكن على NVMe مشفّر. على H100 يكون تحميل الكتلة أسرع من إعادة الحساب بـ2,8–4,3 مرة، ويستهلك طاقة أقل بـ8,8–12,3 مرة.

نموذج بحجم 0.8 مليار معلمة بعد الضبط الدقيق يتفوق على GPT-5.4 في وسم القواعد النحوية
تفوّق نموذج Qwen3.5 بحجم 0.8B بعد ضبطه على وسوم المعلمين على GPT-5.4 وGPT-5.6 Sol في الدقة والاستدعاء، وخفّض كلفة الاستدلال نحو 16 مرة.









