19742 पेपर
यह शोध पत्र सिमेंटिक कोऑपरेटिव गेम्स (SCG) और इसके कुशल सिंगल-ट्रैजेक्टरी एल्गोरिदम SLIC को प्रस्तुत करता है, जो एक सिमेंटिक जनरेशन हाइपरग्राफ और सिमेंटिक शापली वैल्यू का उपयोग करके LLM-आधारित मल्टी-एजेंट सिस्टम के लिए तेज़, काउंटरफैक्चुअल-मुक्त और व्याख्या योग्य योगदान एट्रिब्यूशन प्रदान करते हैं, जिससे सटीकता बनाए रखते हुए कम्प्यूटेशनल लागत में काफी कमी आती है।
PEARL एक संवादात्मक अनुकूलन मॉडलिंग प्रणाली है जो प्राकृतिक भाषा स्वरूपों (natural language formulations) का गतिशील रूप से परीक्षण, डिबग और संशोधन करने के लिए पायथन निष्पादन के साथ एक मल्टी-टर्न, सॉल्वर-इन-द-लूप फ्रेमवर्क का लाभ उठाती है, जिससे छोटे और काफी बड़े वन-शॉट लैंग्वेज मॉडल्स की तुलना में बेहतर सटीकता प्राप्त होती है।
यह शोध पत्र S2T-RLHF का प्रस्ताव करता है, जो एक पदानुक्रमित क्रेडिट असाइनमेंट ढांचा (hierarchical credit assignment framework) है जो अनुक्रम-स्तरीय पुरस्कारों को वाक्य-स्तरीय आवंटन के बाद सीमित टोकन-स्तरीय परिशोधन में विभाजित करके प्राथमिकता-आधारित RLHF की स्थिरता को बढ़ाता है, जिससे अर्थपूर्ण सुसंगतता और रिवॉर्ड शोर के विरुद्ध मजबूती के बीच संतुलन स्थापित होता है।
यह शोध पत्र प्रोबेबिलिस्टिक कॉन्सेप्ट-अवेयर स्टीयरिंग (PCS) फ्रेमवर्क प्रस्तुत करता है, जो अवधारणा-संचालित स्टीयरिंग वेक्टर्स को पुनर्प्राप्त करके और मौजूदा विधियों की प्रतिनिधित्व विसंगति (representation incoherence) और असतत मूल्यांकन सीमाओं (discrete evaluation limitations) को दूर करने के लिए संभाव्य शक्ति अंशांकन (probabilistic strength calibration) लागू करके लार्ज लैंग्वेज मॉडल इन्फरेंस की नियंत्रणीयता और व्याख्यात्मकता को बढ़ाता है।
यह शोध पत्र FindStatBench प्रस्तुत करता है, जो कॉम्बिनेटरियल कोड सिंथेसिस (combinatorial code synthesis) पर लार्ज लैंग्वेज मॉडल्स के मूल्यांकन के लिए एक कठोर निष्पादन-आधारित बेंचमार्क है, जो यह प्रकट करता है कि हालांकि शीर्ष मॉडल प्रदर्शन में अभिसरण (converge) करते हैं, लेकिन उनकी सटीकता लंबे प्रॉम्प्ट्स, कुछ कार्यों पर उदाहरणों के प्रति सहज विपरीत नकारात्मक प्रभाव और स्टैटिस्टिक सिंथेसिस की तुलना में मैप सिंथेसिस की अंतर्निहित कठिनाई से काफी बाधित होती है।
यह शोध पत्र OrderBench प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि JSON स्कीमा बाधाएं (constraints) LLM ऑर्डरिंग एजेंटों के लिए सिंटैक्टिक वैधता सुनिश्चित करती हैं, वे सिमेंटिक विश्वसनीयता या सुरक्षा की गारंटी देने में विफल रहती हैं, जिसके लिए अतिरिक्त डोमेन सत्यापन और फेल-क्लोज्ड निष्पादन तंत्र (fail-closed execution mechanisms) की आवश्यकता होती है।
यह शोध पत्र MUX को प्रस्तुत करता है, जो एक ऐसी विधि है जो डिस्क्रीट रीजनिंग स्टेप्स (discrete reasoning steps) को लॉसलेस, मल्टीप्लेक्सड लेटेंट टोकन्स (lossless, multiplexed latent tokens) में डिस्टिल करके भाषा मॉडलों में कुशल और उच्च-बैंडविड्थ निरंतर तर्क (continuous reasoning) को सक्षम बनाती है, जिससे व्याख्यात्मकता बनाए रखते हुए और मौजूदा बेसलाइनों से बेहतर प्रदर्शन करते हुए प्राकृतिक भाषा अभिव्यक्ति की कम्प्यूटेशनल बाधाओं को दूर किया जा सके।
यह शोध पत्र प्रदर्शित करता है कि सीखे गए तरीकों के माध्यम से विविध बड़े भाषा मॉडलों (large language models) से भविष्यवाणियों को एकत्रित करना व्यक्तिगत मॉडल के प्रदर्शन से बेहतर हो सकता है, जबकि यह इस बात पर प्रकाश डालता है कि प्रशिक्षण कटऑफ संदूषण (training cutoff contamination) क्षमता मूल्यांकन को महत्वपूर्ण रूप से विकृत करता है और ऐसे एन्सेम्बल्स (ensembles) का प्राथमिक लाभ जटिल गैर-रेखीय अंतःक्रियाओं के बजाय विविध मॉडल आउटपुट को रैखिक रूप से संयोजित करने से प्राप्त होता है।
यह शोध पत्र TRACER का प्रस्ताव करता है, जो एक नवीन फ्रेमवर्क है जो विषम बाहरी ज्ञान और असंरचित नैदानिक नोट्स का प्रभावी ढंग से लाभ उठाने के लिए गंभीरता-आधारित चिकित्सा ज्ञान ग्राफ़ को रिट्रीवल-ऑगमेंटेड जनरेशन के साथ एकीकृत करता है, जिससे MIMIC डेटासेट्स पर मृत्यु दर और पुन: प्रवेश जोखिम के पूर्वानुमान में महत्वपूर्ण सुधार प्राप्त होता है।
यह शोध पत्र एक डोमेन-अज्ञेय (domain-agnostic) ढांचे का प्रस्ताव करता है जो ऐतिहासिक डेटा से संरचित कारकों को निकालकर और सत्यापन योग्य साक्ष्यों पर जनरेशन को कंडिशन करके टाइम सीरीज़ पूर्वानुमानों के लिए ग्राउंडेड, स्वाभाविक भाषा की व्याख्याएं उत्पन्न करता है, जिससे डोमेन-विशिष्ट फाइन-ट्यूनिंग की आवश्यकता के बिना पठनीयता, निरंतरता और प्रभावशीलता में विश्लेषक-स्तर की गुणवत्ता प्राप्त होती है।