23845 पेपर
यह शोध पत्र सर्किट-लेवल बैकडोर थ्रेट (CULT) मॉडल को पेश करता है ताकि यह प्रदर्शित किया जा सके कि कैसे दुर्भावनापूर्ण क्लाइंट क्वांटम फेडरेटेड लर्निंग में क्वांटम-विशिष्ट तंत्रों का फायदा उठाकर गुप्त रूप से गंभीर सटीकता गिरावट उत्पन्न कर सकते हैं, जिससे यह पता चलता है कि मौजूदा रक्षा तंत्र अक्सर सबसे खराब स्थिति वाली विफलताओं को रोकने में विफल रहते हैं।
Ocean4Rec एक ऑफलाइन LLM-संचालित रीरैंकिंग फ्रेमवर्क है जो VOD आइटम्स और उपयोगकर्ताओं के लिए OCEAN व्यक्तित्व प्रोफाइल को प्री-कंप्यूट करता है ताकि कुशल, रिक्वेस्ट-टाइम LLM-मुक्त री-रैंकिंग सक्षम की जा सके, जो Samsung Smart TV लॉग्स पर मजबूत औद्योगिक बेसलाइन्स की तुलना में NDCG@20 और HR@20 मेट्रिक्स में महत्वपूर्ण सुधार करता है।
यह सर्वेक्षण व्यवस्थित रूप से इस बात की समीक्षा करता है कि कैसे मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) एक कुशल इंजन, रिप्रजेंटेशन लर्नर और लचीले एडेप्टर के रूप में कार्य करके मल्टीमॉडल लर्निंग की चुनौतियों का समाधान करता है, साथ ही व्याख्यात्मक और टिकाऊ मल्टीमॉडल सिस्टम के भविष्य के विकास के मार्गदर्शन के लिए महत्वपूर्ण शोध अंतराल की पहचान करता है।
FD-RAG एक फेडरेटेड डुअल-सिस्टम फ्रेमवर्क है जो हल्के वजन वाले मेमोरी मिलान को ऑन-डिमांड LLM रीजनिंग से अलग करके एज-आधारित रिट्रीवल-ऑगमेंटेड जनरेशन को बढ़ाता है, जिससे गुमनाम सिमेंटिक मेमोरी के एकत्रीकरण के माध्यम से डेटा गोपनीयता बनाए रखते हुए सटीकता में सुधार होता है और विलंबता (लेटेंसी) कम होती है।
यह शोध पत्र CPU-NPU हेटेरोजेनियस (heterogeneous) SoC पर मोबाइल LLM इन्फरेंस के पहले स्टेज-लेवल विश्लेषण को प्रस्तुत करता है, जो यह प्रकट करता है कि NPUs अक्सर कंप्यूट-इंटेंसिव प्रीफिल चरणों में CPUs से बेहतर प्रदर्शन करने में विफल रहते हैं और ऊर्जा की खपत भी बढ़ा सकते हैं, जिससे सार्वभौमिक NPU त्वरण (universal NPU acceleration) की धारणा को चुनौती मिलती है और ऑन-डिवाइस इन्फरेंस के लिए नए डिज़ाइन दिशानिर्देश मिलते हैं।
यह पुनरुत्पादकता अध्ययन इस बात की पुष्टि करता है कि TRIANGLE फ्रेमवर्क का ज्यामितीय ट्रिपलेट संरेखण (geometric triplet alignment), पेयरवाइज बेसलाइन्स की तुलना में ज़ीरो-शॉट मल्टीमॉडल रिट्रीवल प्रदर्शन में महत्वपूर्ण सुधार करता है, जबकि यह स्क्रैच ट्रेनिंग में महत्वपूर्ण अनुकूलन अस्थिरताओं और डोमेन-निर्भर सामान्यीकरण ट्रेड-ऑफ्स को भी प्रकट करता है।
यह शोध पत्र 37,000 एआई अनुशंसा (AI recommendation) रन का ऑडिट करता है जिससे यह पता चलता है कि वाणिज्यिक रिट्रीवल-ऑगमेंटेड सिस्टम (retrieval-augmented systems) में विफलता के मोड ब्रांड की प्रमुखता के अनुसार काफी भिन्न होते हैं, जहाँ शीर्ष-स्तरीय ब्रांड दृश्यता के बजाय विभेदीकरण (differentiation) के लिए संघर्ष करते हैं, मध्य-स्तरीय ब्रांड चरम व्यक्तित्व-मध्यस्थ प्रतिस्थापन (persona-mediated substitution) का सामना करते हैं, और निचले-स्तरीय ब्रांड विनाशकारी अदृश्यता से ग्रस्त होते हैं, जिससे यह सिद्ध होता है कि मार्केटिंग अनुकूलन रणनीतियों को प्रमुखता की सीढ़ी पर एक ब्रांड की विशिष्ट स्थिति के अनुरूप तैयार किया जाना चाहिए।
यह शोध पत्र यह प्रदर्शित करता है कि वाणिज्यिक एआई (AI) अनुशंसा प्रणालियाँ गंभीर 'पैराफ्रेस ब्रिटलनेस' (paraphrase brittleness) प्रदर्शित करती हैं, जहाँ एक ही खरीदार की मंशा के मामूली पुनर्गठन से ब्रांड की दृश्यता नाटकीय रूप से बदल जाती है, जिससे वर्तमान प्रॉम्प्ट-आधारित ट्रैकिंग मेट्रिक्स, एआई-संचालित ब्रांड प्रदर्शन को मापने के लिए संरचनात्मक रूप से अस्थिर और अविश्वसनीय हो जाते हैं।
यह शोध पत्र विशाल और विषम तकनीकी दस्तावेज़ों के प्रबंधन की चुनौतियों का समाधान करके, जटिल अंतरिक्ष संचालन के लिए ज्ञान तक पहुँच, सटीकता और निर्णय लेने में सहायता को बढ़ाने में उनकी प्रभावशीलता को प्रदर्शित करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) के साथ संयुक्त रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) पाइपलाइनों का व्यवस्थित रूप से मूल्यांकन करता है।
यह शोध पत्र AgensFlow को प्रस्तुत करता है, जो एक ओपन-सोर्स फ्रेमवर्क है जो मल्टी-एजेंट समन्वय को आंशिक अवलोकन (partial observability) के तहत एक ऑनलाइन पॉलिसी-लर्निंग समस्या के रूप में मानता है, और यह प्रदर्शित करता है कि सीखा गया, ऑडिट करने योग्य रूटिंग जटिल वर्कफ़्लो में स्टैटिक पाइपलाइनों की तुलना में बेहतर प्रदर्शन करता है क्योंकि यह कौशल, भूमिकाओं, मॉडलों और टोपोलॉजी के संबंध में निर्णयों को गतिशील रूप से अनुकूलित करता है।