24429 पेपर
यह शोध पत्र MADP को प्रस्तुत करता है, जो एक मल्टी-एजेंट पाइपलाइन है जो एंटरप्राइज डॉक्यूमेंट प्रोसेसिंग में 97% ऑटोमेशन और 98.5% सटीकता प्राप्त करने के लिए डीप लर्निंग, लार्ज लैंग्वेज मॉडल्स और ह्यूमन-इन-द-लूप वैलिडेशन को जोड़ता है, जिसके परिणामस्वरूप पारंपरिक मैनुअल तरीकों की तुलना में श्रम में 70% की कमी और पर्यावरणीय प्रभाव में 69% की गिरावट आती है।
यह शोध पत्र काउंटरफैक्चुअल-फेथफुल क्वांटाइजेशन (CFQ) प्रस्तुत करता है, जो एक ऐसी विधि है जो बिट आवंटन और क्वांटाइज़र मापदंडों को अनुकूलित करके कम-बिट वाले मॉडलों में एक्शनबल रिकोर्स स्थिरता को संरक्षित करती है ताकि काउंटरफैक्चुअल वैधता और लागत को बनाए रखा जा सके, जो एक महत्वपूर्ण विफलता मोड को संबोधित करता है जहाँ मानक क्वांटाइजेशन भविष्य कहने वाली सटीकता को बनाए रखने के बावजूद रिकोर्स को खराब कर देता है।
यह शोध पत्र यह तर्क देता है कि संपूर्ण एजेंटिक एआई (agentic AI) जीवनचक्र में स्पष्ट, मात्रात्मक और पता लगाने योग्य उत्पत्ति (provenance) स्थापित करना जिम्मेदारी को गणनीय (computable) और कार्रवाई योग्य बनाने के लिए एक आवश्यक पूर्व शर्त है, जिससे जटिल, बहु-पक्षीय एजेंट संरचनाओं में होने वाले नुकसान के लिए जवाबदेही निर्धारित करने में असमर्थता के कारण उत्पन्न वर्तमान विश्वास संकट का समाधान किया जा सके।
OpenJarvis एक विखंडित (decomposed), टाइप किया गया व्यक्तिगत AI आर्किटेक्चर पेश करता है जो क्लाउड-स्तरीय सटीकता के साथ ऑन-डिवाइस सिस्टम को सक्षम बनाने के लिए LLM-निर्देशित स्पेक सर्च का लाभ उठाते हुए पांच स्वतंत्र प्रिमिटिव्स को अनुकूलित करता है, जिससे API लागत और विलंबता (latency) में भारी कमी आती है।
यह शोध पत्र विभिन्न भाषाओं में लार्ज लैंग्वेज मॉडल्स (LLMs) में सुरक्षा क्षरण (safety degradation) को चलाने वाले विशिष्ट कारकों को अलग करने और उनका विश्लेषण करने के लिए एक मल्टी-ग्रुप आइटम रिस्पांस थ्योरी फ्रेमवर्क प्रस्तुत करता है, जो यह प्रकट करता है कि सुरक्षा विफलताएं मुख्य रूप से एकआयामी हैं, अक्सर कम-संसाधन वाली भाषाओं की तुलना में अंग्रेजी में अधिक गंभीर होती हैं, और केवल अनुवाद की गुणवत्ता के बजाय भौतिक हानि और सांस्कृतिक बेमेल से संबंधित प्रॉम्प्ट-विशिष्ट क्रॉस-लिंगुअल अंतराल से महत्वपूर्ण रूप से प्रभावित होती हैं।
यह शोधपत्र CAREBench को प्रस्तुत करता है, जो मूल्यांकन सिद्धांत (appraisal theory) पर आधारित एक नवीन बेंचमार्क है, जो केवल लेबल भविष्यवाणी के बजाय संज्ञानात्मक तर्क श्रृंखलाओं (cognitive reasoning chains) के माध्यम से LLMs की भावना समझ का मूल्यांकन करता है, जिससे यह पता चलता है कि वर्तमान मॉडल कुछ कार्यों पर मानव प्रदर्शन के स्तर तक पहुँचने के बावजूद, मूल्यांकन तर्क (appraisal reasoning) और सकारात्मक भावनाओं की पहचान करने में संघर्ष करते हैं।
MusicSynth एक ओपन-सोर्स, ब्राउज़र-आधारित पाइपलाइन है जो ऑप्टिकल म्यूजिक रिकग्निशन, MusicXML पार्सिंग और एक कस्टम नोट-टू-पोजीशन लुकअप टेबल को एकीकृत करके शीट म्यूजिक छवियों या डिजिटल फाइलों से स्वचालित रूप से वायलिन फिंगरबोर्ड एनिमेशन ट्यूटोरियल उत्पन्न करती है।
यह शोध पत्र ड्रिफ्ट फ्लो मैचिंग (DFM) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो कुशल वन-स्टेप ड्रिफ्ट मॉडल्स और लचीले मल्टी-स्टेप फ्लो मैचिंग मेथड्स के बीच के अंतर को पाटता है, जिससे डायरेक्ट ट्रांसपोर्ट मैप्स को इटरेटिव इन्फरेंस स्टेप्स के माध्यम से रिफाइन करने की अनुमति देकर एडेप्टिव जनरेशन क्वालिटी सक्षम होती है।
यह शोधपत्र CAM-Bench प्रस्तुत करता है, जो कम्प्यूटेशनल और अनुप्रयुक्त गणित में 1,000 औपचारिक समस्याओं वाला एक नया Lean 4 बेंचमार्क है, जो पाठ्यपुस्तकीय अभ्यासों को अनुकूलित करने के लिए एक डिपेंडेंसी-रिकवरी पाइपलाइन का उपयोग करके और स्थानीय संदर्भ ट्रैकिंग तथा प्रारंभिक प्रमेय अनुप्रयोग की आवश्यकताओं वाले कार्यों पर लार्ज लैंग्वेज मॉडल्स के प्रदर्शन का विश्लेषण करके मौजूदा मूल्यांकनों में इन डोमेन के कम प्रतिनिधित्व को संबोधित करता है।
यह शोध पत्र एक विलंबता-जागरूक (latency-aware) बेंचमार्किंग फ्रेमवर्क प्रस्तुत करता है जो इनवर्टर-प्रधान पावर ग्रिड में वास्तविक समय के दोष और साइबर-हमले के वर्गीकरण के लिए आठ डीप लर्निंग आर्किटेक्चर का मूल्यांकन करता है, जिससे यह पता चलता है कि हालांकि मॉडल सब-साइकिल निर्णय समय प्राप्त करते हैं, लेकिन उनकी एंड-टू-एंड इन्फरेंस विलंबता (50-90 ms) वर्तमान में सुरक्षा-ग्रेड आवश्यकताओं से अधिक है, जो एल्गोरिदम प्रदर्शन और तैनात करने योग्य हार्डवेयर समाधानों के बीच एक महत्वपूर्ण अंतर को उजागर करती है।