چکیده
User Safety: safe
متن کامل
1. بهبود جریان و خوانایی
2. ساختار جمله‌ای طبیعی‌تر در فارسی
3. ثبات در اصطلاحات
4. تصحیح خطاهای ترجمه
تغییرات اعمال‌شده:
- حفظ اصطلاحات فنی و فرمول‌ها بدون تغییر
- حفظ ساختار بخش‌ها بدون تغییر
- حفظ استنادها و منابع بدون تغییر
فقط متن فارسی بهبودیافته را ارائه دهید، بدون توضیحات یا یادداشت‌ها.
علوم کامپیوتر > هوش مصنوعی arXiv:2610.13948v1 (cs) [ارسال شده در ۹ اکتبر ۲۰۲۶] عنوان: آیا مدل‌های زبانی می‌توانند بازی ویکی‌پدیا را انجام دهند؟ نویسندگان: الکساندر هیکی، جوئانا نایت، جیمز بشاپ مشاهده فایل PDF مقاله‌ای با عنوان «آیا مدل‌های زبانی می‌توانند بازی ویکی‌پدیا را انجام دهند؟» نوشته الکساندر هیکی و یک نویسنده دیگر مشاهده PDF HTML (آزمایشی) چکیده: مدل‌های زبانی به‌طور فزاینده‌ای در بازیابی اطلاعات از مجموعه‌های سند بسیار بزرگ که نمایه‌سازی آن‌ها غیرممکن است، نقش دارند یا این فرآیند را خودکار می‌کنند. این کار زمانی دشوار است که نیاز به دانش تخصصی زبانی یا علمی باشد. ما از بازی ویکی‌پدیا برای آزمایش مدل‌های زبانی در یک وظیفه مشابه بازیابی اطلاعات استفاده کردیم. در این بازی، بازیکنان باید با استفاده از لینک‌های مقاله‌ها به مقاله هدف برسند. ما مدل‌های توکینگ جملاتی و مدل‌های زبانی بزرگ را در پنج زبان ویکی‌پدیا و پنج مجموعه داده ادبی آکادمیک مقایسه کردیم. ما گراف‌های محلی بسیار بزرگ از صفحات ویکی‌پدیا و استنادها در مقالات را با استفاده از OpenAlex ساخته‌ایم و کدهایی برای ساخت و ناوبری آن‌ها ارائه می‌کنیم. این امر امکان مطالعه قابلیت‌های ناوبری مدل‌های زبانی را بدون اتکا به APIهای شخص ثالث فراهم می‌کند. ما مدل‌ها را با بنچمارک‌های انسانی و TF-IDF مقایسه کردیم. فرمت بازی ویکی‌پدیا امکان مقایسه‌های دقیق بین تکنیک‌ها، زبان‌ها و حوزه‌های مختلف را فراهم می‌کند. هیچ مدلی عملکرد قابل توجهی بهتر از انسان‌ها نداشت، اگرچه بهترین مدل‌ها (GPT-o3 mini، GPT-4o، QwQ:32B و DeepSeek-R1:70B) موفقیت قابل مقایسه‌ای داشتند. عملکرد و رتبه‌بندی‌ها در بین زبان‌ها و موضوعات مختلف متفاوت بود که این امر پیامدهایی برای متخصصانی دارد که از این تکنیک‌ها استفاده می‌کنند. نظرات: موضوعات: هوش مصنوعی (cs.AI)؛ بازیابی اطلاعات (cs.IR) استناد: arXiv:2610.13948 [cs.AI] (یا arXiv:2610.13948v1 [cs.AI] برای این نسخه) https://doi.org/10.48550/arXiv.2610.13948 برای کسب اطلاعات بیشتر به DOI صادر شده توسط arXiv از طریق DataCite مراجعه کنید (در انتظار ثبت نام) تاریخچه ارسال از: الکساندر هیکی [مشاهده ایمیل] [v1] جمعه، ۹ اکتبر ۲۰۲۶ ۱۷:۵۹:۵۶ UTC (۱۲۰۴ کیلوبایت) ابزارهای کتاب‌شناسی ابزارهای کتاب‌شناسی و استناد یافتنگر کتاب‌شناسی فعال‌سازی یافتنگر کتاب‌شناسی (یافتنگر چیست؟) Papers Connected فعال‌سازی Papers Connected (Papers Connected چیست؟) Litmaps فعال‌سازی Litmaps (Litmaps چیست؟) scite.ai فعال‌سازی scite Smart Citations (Smart Citations چیست؟) کد، داده، رسانه کد، داده و رسانه مرتبط با این مقاله alphaXiv فعال‌سازی alphaXiv (alphaXiv چیست؟) لینک‌های کد فعال‌سازی CatalyzeX Code Finder for Papers (CatalyzeX چیست؟) DagsHub فعال‌سازی DagsHub (DagsHub چیست؟) GotitPub فعال‌سازی Gotit.pub (GotitPub چیست؟) Huggingface فعال‌سازی Hugging Face (Huggingface چیست؟) ScienceCast فعال‌سازی ScienceCast (ScienceCast چیست؟) دموها دموها Replicate فعال‌سازی Replicate (Replicate چیست؟) Spaces فعال‌سازی Hugging Face Spaces (Spaces چیست؟) Spaces فعال‌سازی TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای توصیه‌کننده و جستجو لینک به Influence Flower Influence Flower (Influence Flower چیست؟) توصیه‌کننده اصلی فعال‌سازی CORE Recommender (CORE Recommender چیست؟) نویسنده مکان نهاد موضوع درباره arXivLabs arXivLabs: پروژه‌های آزمایشی با همکاری جامعه arXivLabs یک چارچوب است که به همکاران امکان می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه و به اشتراک بگذارند.
فردها و سازمان‌هایی که با arXivLabs کار می‌کنند، به ارزش‌های ما از جمله بازیابی، جامعه، برتری و حریم خصوصی داده‌های کاربران پذیرش و موافقت کرده‌اند. arXiv متعهد به این ارزش‌هاست و تنها با شریکانی که به این ارزش‌ها پایبند هستند، کار می‌کند. اگر ایده‌ای برای یک پروژه دارید که ارزش افزوده‌ای برای جامعه arXiv ایجاد کند، برای اطلاعات بیشتر درباره arXivLabs بیشتر بخوانید. کدام نویسندگان این مقاله تأییدکننده (endorsers) هستند؟ | MathJax را غیرفعال کنید (MathJax چیست؟)