cs.AI पेपर | Gist.Science

TS-Mask VLA: 2D Temporal-Spatial Masking for Vision-Language-Action Model with Effective Bridging

यह शोध पत्र TS-Mask VLA का प्रस्ताव करता है, जो एक रोबोटिक मैनिपुलेशन फ्रेमवर्क है जो ब्रिज अटेंशन (Bridge Attention) के साथ एक डिस्क्रीट डिफ्यूजन एक्शन एक्सपर्ट (Discrete Diffusion Action Expert) और एक टेम्पोरल-स्पेशियल 2D मास्किंग रणनीति को एकीकृत करके विजन-लैंग्वेज-एक्शन मॉडल्स को उन्नत करता है ताकि ऑटोरिग्रेसिव टोकन प्रेडिक्शन की सीमाओं को दूर किया जा सके, जिससे उच्च दक्षता के साथ लॉन्ग-होरिज़न कार्यों पर अत्याधुनिक प्रदर्शन प्राप्त होता है।

Shengzhuo Yang, Ronghao Yu, Chuanjie Lv, Linpeng Peng, Hang Yu, Jie Ren, Jiajun Lv, Yong Liu2026-07-14

🤖 AI

Exploring Agentic Workflows for Generating High Quality Math Visual Aids

यह शोध पत्र एक एजेंटिक वर्कफ़्लो पेश करता है जो बड़े भाषा मॉडलों (LLMs) और विज़न लैंग्वेज मॉडल्स (VLMs) को स्वयं-जनित गुणवत्ता आश्वासन प्रश्नों और दृश्य फीडबैक का उपयोग करके स्थानिक तर्क और सटीकता में वर्तमान सीमाओं को दूर करने और उच्च-गुणवत्ता वाले, शैक्षणिक रूप से सुदृढ़ गणितीय आरेखों को पुनरावृत्ति के माध्यम से उत्पन्न और परिष्कृत करने में सक्षम बनाता है, जो K-12 शिक्षा के लिए उपयोगी हैं।

Rizwaan Malik, Ashna Khetan, Isabel Sieh, Samin Khan2026-07-14

🤖 machine learning

Remembering Distinct Items, Not Tokens: A Learnable Dirichlet-Process Cache Between State-Space Models and Attention

यह शोध पत्र डिरिचलेट-प्रोसेस क्लस्टरिंग (Dirichlet-process clustering) पर आधारित एक सीखने योग्य, विरल कैश (sparse cache) प्रस्तुत करता है जो केवल नवीन वस्तुओं के लिए मेमोरी स्लॉट आवंटित करता है, जिससे स्टेट-स्पेस मॉडल कुल टोकन के बजाय विशिष्ट वस्तुओं को ट्रैक करते हुए फुल-अटेंशन रिकॉल दक्षता प्राप्त करने में सक्षम होते हैं और फिक्स्ड-बजट इविक्शन रणनीतियों से बेहतर प्रदर्शन करते हैं।

Siddharth Pal, Viktoria Rojkova2026-07-14

💻 computer science

What You Train Is What You Get: Gender Bias, Training Composition, and Post-Hoc Mitigation in Audio Deepfake Detection

यह अध्ययन प्रदर्शित करता है कि ऑडियो डीपफेक डिटेक्शन में लैंगिक पूर्वाग्रह मुख्य रूप से प्रशिक्षण डेटा की संरचना द्वारा संचालित होता है न कि पोस्ट-हॉक थ्रेशोल्ड कैलिब्रेशन द्वारा, क्योंकि असंतुलित डेटासेट के कारण कम प्रतिनिधित्व वाले समूहों का प्रदर्शन खराब हो जाता है और पोस्ट-प्रोसेसिंग विधियाँ परिणामी स्कोर वितरण असमानताओं को सुधारने में विफल रहती हैं।

Aishwarya R. Fursule, Vamshi Nallaguntla, Shruti Kshirsagar, Anderson R. Avila2026-07-14

⚡ electrical engineering

Next-Dense-Stride Prediction for Multimodal Autoregressive Visual Modeling

यह शोध पत्र DenseAR को प्रस्तुत करता है, जो एक नवीन जनरेटिव प्रतिमान (पैराडाइम) है जो एक कॉम्पैक्ट सिंगल-स्केल टोकेनाइज़र का उपयोग करके ऑटोरेग्रेसिव इमेज जनरेशन को कोर्स-टू-फाइन नेक्स्ट-डेंस-स्ट्राइड प्रेडिक्शन के रूप में पुनर्गठित करता है, जिससे कुशल पैरेलल इन्फरेंस और यूनिफाइड मल्टीमॉडल मॉडलिंग सक्षम होती है और यह मौजूदा सिंगल-ग्रिड और मल्टी-स्केल बेसलाइनों से बेहतर प्रदर्शन करता है।

Chicago Y. Park, Jialin Mao, Xiaojian Xu, Taha Kass-Hout, Ulugbek S. Kamilov, Cao Xiao2026-07-14

💻 computer science

Do These Violent Delights Have Violent Ends? Measuring the Post-Merge Fate of Agentic Code

182 रिपॉजिटरीज़ के इस अनुदैर्ध्य (longitudinal) अध्ययन से पता चलता है कि जहाँ एजेंटिक कोड योगदान मानव कोड के तुलनीय मर्ज दरों को प्राप्त करते हैं, वहीं वे बाद में काफी अधिक सुधारात्मक रखरखाव बोझ उत्पन्न करते हैं और अधिक सुरक्षा संबंधी कमजोरियाँ पेश करते हैं, विशेष रूप से कम समीक्षा दरों वाले प्रोजेक्ट्स में।

Chunqiu Steven Xia, Courtney Miller2026-07-14✓ Author reviewed ⓘ

🤖 machine learning

SMETA-ZSL:Semantic Meta-Alignment for Zero-Shot Threat Classification

यह शोध पत्र SMETA-ZSL का प्रस्ताव करता है, जो एक नवीन ढांचा है जो सेमेंटिक ओवरलैप और क्लास इम्बैलेंस जैसी चुनौतियों से निपटने के लिए सेमेंटिक मेटा-अलाइनमेंट, कॉन्ट्रास्टिव फाइन-ट्यूनिंग और नॉलेज डिस्टिलेशन को संयोजित करता है, जिससे सात बेंचमार्क में स्टेट-ऑफ-द-आर्ट जनरलाइज्ड ज़ीरो-शॉट थ्रेट क्लासिफिकेशन प्रदर्शन प्राप्त होता है।

Ivan Alejandro Montoya Sanchez, Anantaa Kotal, Aritran Piplai2026-07-14

💬 NLP

Workload-Driven Optimization for On-Device Real-Time Subtitle Translation

यह शोध पत्र LocalSubs प्रस्तुत करता है, जो ताइवान के उपकरणों पर कम-विलंबता (low-latency) और गोपनीयता-संरक्षण वाले इन्फरेंस के लिए अनुकूलित एक ऑन-डिवाइस अंग्रेजी-से-पारंपरिक-चीनी सबटाइटल अनुवाद प्रणाली है, जो शब्दावली के आकार को घटाकर 64k टोकन करता है, जिससे डिकोडिंग गति में उल्लेखनीय सुधार होता है और छोटे इनपुट पर गूगल ट्रांसलेट के विरुद्ध 59.2% की जीत दर प्राप्त होती है।

Tsz-To Wong2026-07-14

🤖 machine learning

Learning in Curved Weight Space:Exponential-Linear Weight Reparameterization for Improved Optimization

यह शोध पत्र एक्सपोनेंशियल-लीनियर वेट रीपैरामेटराइजेशन (Exponential-Linear Weight Reparameterization) को प्रस्तुत करता है, जो एक नवीन विधि है जो सिमेट्रिक-एक्सपोनेन्शियल और लीनियर पाथवेज़ को मिलाकर एक कर्व्ड वेट स्पेस ज्योमेट्री (curved weight space geometry) बनाती है, जो मानक लीनियर पैरामीट्रेशन की तुलना में ट्रांसफॉर्मर ट्रेनिंग कन्वर्जेंस को महत्वपूर्ण रूप से तेज करने के लिए मैग्नीट्यूड-प्रोपोर्शनल अपडेट्स को सक्षम बनाती है।

Ethan Smith2026-07-14

⚡ electrical engineering

A Production-Oriented Framework for Evaluation of SFX Generation

यह शोध पत्र संदर्भ-निर्देशित ध्वनि प्रभाव निर्माण (reference-guided sound effects generation) के लिए एक उत्पादन-उन्मुख मूल्यांकन ढांचे को प्रस्तुत करता है जो नौ औद्योगिक आवश्यकताओं और एक द्वि-चरणीय प्रोटोकॉल को परिभाषित करके मौजूदा टेक्स्ट-टू-ऑडियो मूल्यांकन की सीमाओं को संबोधित करता है ताकि संदर्भ संरेखण (reference alignment), विविधता और संवेदी पहचान संरक्षण (perceptual identity preservation) जैसे मेट्रिक्स के माध्यम से विषम विधियों की व्यवस्थित रूप से तुलना की जा सके।

Mélodie Desbos, Yara Bahram, Eric Granger, Mohammadhadi Shateri2026-07-14

← पिछला अगला →