التعلّم ضمن السياق للبيانات الجدولية باستخدام خبراء متفرقين: OrionMoE-Small-v1.0 المدمج
نموذج أساسي مدمج للمهام الجدولية يتنبأ بمشاهدات جديدة استنادًا إلى جدول مرجعي مُصنَّف، من دون ضبط إضافي للمعلمات. ويتيح الاختيار التكيفي للخبراء وفقًا لمجموعة البيانات وتمثيلاتها السماتية تحقيق نتائج تنافسية، لا سيما في ظل سياق محدود وأبعاد عالية.

التعلّم ضمن السياق في الجداول: جوهر النهج
يتنبأ النموذج بمشاهدات غير مرئية استنادًا إلى جدول دعم مُعنون. ولا يحدّث النموذج المعلمات لمهمة بعينها. تصف المقالة OrionMoE-Small-v1.0، وهو نموذج أساسي صغير للجداول مُصمم للتعلّم ضمن السياق.

العناصر الأساسية للنهج:
- المُدخل — جدول دعم مُعنون؛
- الهدف — التنبؤ بمشاهدات غير مرئية؛
- التكيّف — من دون تحديث المعلمات لمهمة بعينها؛
- النهج — التعلّم ضمن السياق.
المعيار العملي: تسمح المهمة بالتنبؤ استنادًا إلى جدول دعم مُعنون. ولا حاجة إلى التكيّف مع المهمة باستخدام التدرّج.
البنية: محوّل dual-axis وخبراء متفرقون
تعتمد OrionMoE-Small-v1.0 على بنية محوّل dual-axis. ويجمع النموذج بين تمثيلات تراعي توزيع البيانات والحوسبة المتفرقة لمزيج الخبراء. وتعتمد هذه الحوسبة على مجموعة البيانات. ويراعي اختيار الخبراء المُفعّلين تمثيلات الخلايا الفردية وسياق مجموعة البيانات ككل.
تكوين النموذج:
- البنية — محوّل dual-axis؛
- التمثيلات — تراعي توزيع البيانات؛
- الحوسبة — مزيج خبراء متفرق يعتمد على مجموعة البيانات؛
- اختيار الخبراء — بناءً على تمثيلات الخلايا وسياق مجموعة البيانات؛
- توزيع الحوسبة — تكيّفي بين المهام الجدولية غير المتجانسة؛
- مسار الحوسبة — مشترك بين المهام المختلفة.
المعيار العملي: تتطلب المهام الجدولية غير المتجانسة توزيعًا تكيّفيًا للحوسبة. ويحافظ النموذج على مسار حوسبة مشترك بين المهام المختلفة.
التدريب: مهام تصنيف اصطناعية
خضع النموذج للتدريب المسبق حصريًا على مهام تصنيف اصطناعية. وتستند هذه المهام إلى توزيع قبلي سببي منظّم. وينفّذ النموذج تنبؤات للمهام اللاحقة من دون تكيّف باستخدام التدرّج. وتذكر التعليقة اسم OrionMoE-Small-v1.0.
مؤلفو المقالة: Mohamed Bouadi, Nassim Bouarour, Aditya Tanna, Vinay Kumar Sankarapu. قدّم المؤلفون المقالة في 14 أكتوبر 2026. وصدر آخر إصدار منقّح في 18 أكتوبر 2026. إصدار المقالة هو v2.
ما هو المعروف عن التدريب:
- البيانات — مهام تصنيف اصطناعية حصرًا؛
- الأساس — توزيع قبلي سببي منظّم؛
- المهام اللاحقة — من دون تكيّف باستخدام التدرّج.
المعيار العملي: يصف المصدر التدريب المسبق على مهام تصنيف اصطناعية فقط. ولا تتضمن المعلومات حقائق عن أنواع أخرى من المهام.
النتائج ومعايير الاستخدام
حققت OrionMoE-Small-v1.0 نتائج تنافسية في عدة معايير مرجعية للجداول. وجرت المقارنة مع نماذج أساسية أكبر بكثير. وأشار التحليل إلى نتائج قوية بشكل خاص على مجموعات البيانات ذات السياق الصغير والأبعاد العالية. كما أظهر تحليل إضافي نتائج نسبية مواتية عند اختلال توازن الفئات.
| السيناريو | ما أظهره التحليل |
|---|---|
| المقارنة مع نماذج أساسية أكبر بكثير | نتائج تنافسية |
| سياق صغير وأبعاد عالية | نتائج قوية بشكل خاص |
| اختلال توازن الفئات | نتائج نسبية مواتية |
| تركيب السمات | أبرز التحليل أهميته |
المعيار العملي: السياق الصغير والأبعاد العالية من الظروف التي تحققت فيها نتائج قوية بشكل خاص. أما اختلال توازن الفئات وتركيب السمات فهما نقطتان منفصلتان في التحليل.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
إصلاح محدود للتكتيكات في Lean 4 بالاستناد إلى تشخيصات المترجم
يُقدَّم مكوّنٌ تدريجي لا يتخلّص من التكتيك المرفوض، بل يكلّف نموذجًا مصحِّحًا بإصلاحه استنادًا إلى خطأ Lean حتى R مرات؛ ومع وجود K مرشحين، يرفع ذلك نسبة المسائل المحلولة. وتُظهر التجارب على LeanDojo وLean Workbook أن التحسّن يعود أساسًا إلى حالات الإخفاق السطحي أثناء التنفيذ، على حساب زيادة زمن البحث.
16 نوفمبر 2026
طريقة Genesis Steering: توجيه التنشيطات باستخدام البيانات المستخدمة في الضبط الدقيق
تستخلص الطريقة متجه التحكم من أمثلة متباينة موجودة في بيانات الضبط الدقيق، وعند تعذّر الوصول إليها، تنتقي عينات التدريب المرجّحة عبر استدلال العضوية وتكوّن مجموعة بيانات بديلة. يصف الجزء النظري الإزاحة المثلى نحو حدّ القرار والتقدير بالاستناد إلى البيانات البديلة؛ وتُظهر البيانات الداخلية لـ Tülu-3-8B أثرًا أوضح تجريبيًا من المجموعات الخارجية، في حين أن فائدة البيانات البديلة المستخلصة عبر MIA على Llama-3.1-8B-Instruct محدودة بسبب نسبة إزاحات الاتجاه.
16 نوفمبر 2026
البحث المحلي عن انزياحات التغاير للملفات الشخصية ذات التنبؤات غير الموثوقة
تصف المقالة مسارًا تشخيصيًا يحدد أولًا مجموعات من المرضى قابلة للتفسير تنخفض فيها ثقة النموذج، ثم يتحقق من وجود انزياح ضار في المتغيرات المصاحبة داخل هذه المجموعات. وفي تجارب أُجريت على MIMIC-IV، شملت ثلاث مهام سريرية وثلاثة انزياحات اصطناعية على مستوى المجموعات الفرعية، ساعد هذا النهج على تحديد انزياح مرتبط بالعمر لم يكن واضحًا إلا بدرجة طفيفة في التقييم الإجمالي.
15 نوفمبر 2026