SNN-Synthesis v6 توسع من دراسة الرنين العشوائي في الشبكات العصبية من التحقق غير المعتمد على الهيكل (v5) إلى دمج المعرفة، والاستكشاف بدون ضبط المعلمات، والعالمية متعددة النماذج. النتائج الجديدة v6 (المراحل 33–38) (I) دمج المعرفة عبر البوابة ID (المرحلة 35c): نموذج CNN بـ 115K معلمة يخزن معرفة متميزة لعدة ألعاب دون تداخل، باستخدام بوابة حالة ID المنفصلة (h ← h ⊙ σ(Embed(id))). سجل فصل المعرفة يصل إلى +0.572. جميع الطرق الأربعة البديلة (تعديل الضوضاء، ضوضاء SNN الفوضوية، بوابة الموجة المستمرة، الضوضاء الوردية) تفشل - البوابة المنفصلة فقط تنجح، مما يعكس تبديل الوضع القائم على الناقلات العصبية البيولوجية. (II) NBS المتنوع σ (المرحلة 37a): تعيين قيم σ مختلفة لكل شعاع من K=11 يلغي الحاجة إلى ضبط خاص بالمهام للـ σ*. الأداء يتطابق مع أفضل قيمة ثابتة لـ σ على جميع مستويات الصعوبة المختبر، مما يوفر استراتيجية استكشاف بدون ضبط المعلمات. (III) توسيع السعة (المرحلة 38a): تتطلب بوابة ID ≥2.7K معلمة لفصل المعرفة بشكل فعال. عند 115K معلمة، تتفوق النماذج الموصلة على النماذج غير الموصلة (0.706 > 0.625)، مما يظهر أن البوابة تعمل كتنظيم إيجابي. (IV) NBS متعددة النماذج (المرحلة 38): نموذج Qwen2.5-7B-Instruction حقق معدل حل 100% عند K=11 على هانو المعدل، متطابقًا مع Mistral-7B ومؤكدًا العالمية عبر النماذج. (V) GSM8K LLM-ExIt (المرحلة 33): تمديد LLM-ExIt إلى التفكير الرياضي: دقة K1 لنموذج Mistral-7B تحسنت من 56.5% إلى 58.0% على مدى 3 تكرارات. الزيادة المتواضعة تؤكد أن ExIt يعمل على المهام غير المحددة، لكنها تكشف أن المهام ذات القاعدة العالية تحد من إمكانية تحسين الذات. (VI) توقع σ* (المرحلة 34): حقق نموذج TruthfulQA MC1 دقة 100% عند σ*=0.2 مع K=11، موسعًا خريطة σ* لأربع مهام: GSM8K (0.01)، TruthfulQA (0.2)، هانو (0.15)، ARC-AGI (0.2). نتائج العناوين الرئيسية v5 GSM8K NBS متعددة المهام (المرحلة 31/31b): البحث عن الشعاع الضوضائي على Mistral-7B مع GSM8K التفكير الرياضي حقق دقة 89.5% عند K=11 (من 53% مستوى أساسي، +36.5pp). الضوضاء المثلى هي σ*=0.01 - ترتيب أكبر من هانو (σ*=0.15) - مما يكشف أن σ* يتناسب عكسيًا مع تعقيد المهمة. LLM-ExIt (المرحلة 32b): دمج مجموعة معجزة NBS مع ضبط QLoRA، حقق نموذج Mistral-7B معدل حل 100% في 3 تكرارات (16% → 94% → 96% → 100%) على هانو المعدل - دون أي Oracle، أو تشكيل مكافأة، أو عروض بشرية. يكمل ذلك أنبوب توصيل من CNN ExIt (v3) إلى تطور LLM الذاتي الكامل بدون Oracle. النتائج الرئيسية (v6) تمكين البوابة ID المنفصلة من دمج المعرفة: تعمل الإشارات الفئوية فقط؛ تفشل 4 بدائل مستمرة. NBS المتنوع σ يلغي الحاجة لضبط المعلمات: لا حاجة لمعايرة σ* لكل مهمة. تعمل البوابة كتنظيم: عند سعة كافية، النموذج الموصلة > غير الموصلة (0.706 > 0.625). NBS مستقل عن النموذج: Qwen2.5-7B يتطابق مع Mistral-7B عند K=11. خريطة σ* تم توسيعها إلى 4 مهام: GSM8K (0.01)، TruthfulQA (0.2)، هانو (0.15)، ARC-AGI (0.2). 5 نتائج فارغة صادقة: اشرح لماذا تنجح فقط البوابة المنفصلة. 38 تجربة تغطي 63K–7B معلمات، CNNs إلى محولات، 9 مجالات مهام، و 2 عائلات نماذج (Mistral، Qwen). الشيفرة والبيانات: https://github.com/hafufu-stack/SNN-Synthesis. الشكر والتقدير: تم إجراء هذا البحث بشكل مستقل تمامًا، دون ارتباط مؤسسي أو تمويل من الشركات. يواجه المؤلف حاليًا قيودًا مالية تجعل من الصعب بشكل متزايد الحفاظ على الاشتراكات في خدمات الذكاء الاصطناعي الضرورية لهذا الخط من البحث. للحفاظ على جودة الأعمال المستقبلية وتحسينها، يسعى المؤلف بنشاط إلى رعاية المجتمع. تتوفر التفاصيل على https://github.com/sponsors/hafufu-stack.
Hiroto Funasaki (سات) درس هذا السؤال.