20089 पेपर
यह शोध पत्र एनसेंबल डिटरमिनिज़ेशन MCTS के लिए दो गतिशील संसाधन आवंटन रणनीतियों—डिटरमिनिज़ेशन पेड़ों की संख्या को समायोजित करना और सिम्युलेशन बजट को गैर-समान रूप से वितरित करना—का प्रस्ताव और सत्यापन करता है, जो जयपुर, लॉस्ट सिटीज़ और स्पेंडर जैसे उच्च-अनिश्चितता वाले बोर्ड गेम में सांख्यिकीय रूप से महत्वपूर्ण प्रदर्शन सुधार प्रदर्शित करता है।
यह शोध पत्र E3 प्रस्तुत करता है, जो एक जटिलता-जागरूक (complexity-aware) ढांचा है जो AI एजेंटों को कार्य की कठिनाई का अनुमान लगाने और दायरे को बढ़ाने से पहले न्यूनतम व्यवहार्य पथों (minimum viable paths) को निष्पादित करने में सक्षम बनाता है, जिससे मौजूदा विधियों के समान सफलता दर प्राप्त करते हुए कम्प्यूटेशनल लागत और अनावश्यक फ़ाइल निरीक्षणों को भारी रूप से कम किया जा सके।
यह शोध पत्र पांच नए बेंचमार्क डेटासेट पेश करके और यह प्रदर्शित करके वीडियो एक्शन डिटेक्शन पर अवरोधों (occlusions) के प्रभाव की जांच करता है कि सिम्बोलिक घटकों और विशिष्ट प्रशिक्षण विधियों से उन्नत मॉडल स्थिर और गतिशील दोनों प्रकार के अवरोधों को संभालने में मौजूदा दृष्टिकोणों से काफी बेहतर प्रदर्शन करते हैं।
यह शोध पत्र एसिंक्रोनस परसेप्शन मशीन (APM) को प्रस्तुत करता है, जो टेस्ट-टाइम-ट्रेनिंग के लिए एक गणनात्मक रूप से कुशल आर्किटेक्चर है जो आउट-ऑफ-डिस्ट्रीब्यूशन डेटा को पहचानने और बिना किसी डेटासेट-विशिष्ट प्री-ट्रेनिंग या प्रिटैक्स्ट टास्क की आवश्यकता के, एक सिंगल फॉरवर्ड पास में सिमेंटिक क्लस्टरिंग उत्पन्न करने के लिए इमेज पैचेस को एसिंक्रोनस रूप से प्रोसेस करता है।
यह शोध पत्र मानव प्रयास के साथ उनकी तुलना करके एआई (AI) क्षमताओं को मापने के लिए "50%-कार्य-पूर्णता समय क्षितिज" (50%-task-completion time horizon) मीट्रिक प्रस्तुत करता है, जिसमें यह पाया गया है कि फ्रंटियर मॉडल अब उन कार्यों को 50 मिनट में पूरा कर सकते हैं जिन्हें पूरा करने में मनुष्यों को आमतौर पर 50 मिनट लगते हैं, और यह दोगुना होने का रुझान सुझाव देता है कि एआई पांच वर्षों के भीतर महीने भर के सॉफ्टवेयर कार्यों को स्वचालित कर सकता है।
यह शोध पत्र एक सामान्य इंटरेक्शन लेयर फ्रेमवर्क और एक मॉडल-आधारित एक्टर-क्रिटिक विद डिले अडैप्टेशन (ACDA) एल्गोरिदम प्रस्तुत करता है जो सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) एजेंटों को अदृश्य, समय-परिवर्तनीय विलंब (डिली) और पैकेट लॉस के प्रति गतिशील रूप से अनुकूल होने में सक्षम बनाता है, जो लोकोमोशन बेंचमार्क में मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र ARGUS-EVAL को प्रस्तुत करता है, जो एक नया ढांचा है जो बेंचमार्क क्षमता और क्रॉस-डेटासेट विश्वसनीयता के बीच संतुलन बनाकर विजन-लैंग्वेज मॉडल्स का मूल्यांकन करता है, जो Qwen-2.5VL-3B-Instruct और CLIP जैसे मॉडल्स के बीच पारंपरिक प्रदर्शन रैंकिंग और वास्तविक दुनिया की स्थिरता के बीच महत्वपूर्ण विसंगतियों को प्रकट करता है।
यह शोधपत्र प्रदर्शित करता है कि एआई प्रॉम्प्ट इंटरफेस को अतिरिक्त उपयोगकर्ता प्रयास की आवश्यकता के लिए संशोधित करना, जैसे कि एक बटन को दबाकर रखना या एक स्लाइडर को हिलाना, प्रभावी रूप से प्रॉम्प्ट की लंबाई और उत्पन्न सामग्री के प्रति उपयोगकर्ताओं के मनोवैज्ञानिक स्वामित्व दोनों को बढ़ाता है।
यह शोध पत्र "ट्रोजन हॉर्स प्रॉम्प्टिंग" (Trojan Horse Prompting) को प्रस्तुत करता है, जो एक नवीन जेलब्रेक तकनीक है जो संवादात्मक मल्टीमॉडल मॉडलों के अपने ही द्वारा निर्मित पिछले कथनों पर उनके निहित विश्वास का लाभ उठाकर सुरक्षा तंत्रों को दरकिनार करने और हानिकारक सामग्री उत्पन्न करने के लिए उपयोग की जाती है, जो वर्तमान सुरक्षा संरेखण रणनीतियों में एक गंभीर भेद्यता को प्रकट करती है।
SWE-bench जैसे मौजूदा बेंचमार्क में गंभीर डेटा संदूषण (data contamination) और अपर्याप्त टेस्ट केसों को संबोधित करने के लिए, यह शोध पत्र SWE-MERA पेश करता है, जो एक गतिशील और निरंतर अपडेट होने वाला बेंचमार्क है जो वास्तविक दुनिया के GitHub इश्यूज़ को क्यूरेट करने के लिए एक स्वचालित पाइपलाइन का लाभ उठाता है, जिससे सॉफ्टवेयर इंजीनियरिंग कार्यों पर लार्ज लैंग्वेज मॉडल्स के लिए एक कठोर और विश्वसनीय मूल्यांकन ढांचा प्रदान किया जा सके।