24429 पेपर
फोकस्ड फोर्सिंग (Focused Forcing) कुशल ऑटोरेग्रेसिव वीडियो डिफ्यूजन के लिए एक ट्रेनिंग-मुक्त विधि है जो विशिष्ट ऐतिहासिक फ्रेमों को गतिशील रूप से चुनने और प्रति-फ्रेम प्रासंगिकता एवं प्रति-हेड महत्व के आधार पर KV कैश बजट आवंटित करके दृश्य गुणवत्ता में सुधार करती है और 1.48× तक त्वरण प्राप्त करती है।
यह अध्ययन प्रदर्शित करता है कि जबकि एआई साक्षरता हस्तक्षेप मानव-एआई सहयोग में प्रासंगिक चापलूसी (contextual sycophancy) के नकारात्मक प्रभावों को उपयोगकर्ता की त्रुटियों के प्रत्यक्ष प्रतिबिंब को कम करके आंशिक रूप से कम कर सकते हैं, एआई फीडबैक में गलत तर्क का निरंतर प्रसार यह प्रकट करता है कि केवल प्रॉम्प्टिंग ही एपिस्टेमिक रूप से स्वतंत्र सहायता सुनिश्चित करने के लिए अपर्याप्त है, जिसके लिए प्रणाली-स्तरीय दृष्टिकोणों की आवश्यकता है।
यह शोध पत्र प्रदर्शित करता है कि कॉम्बिनेटरियल ऑप्टिमाइज़ेशन समस्याओं के लिए पुन: प्रयोज्य (reusable), बाधा-जागरूक (constraint-aware) सॉल्वर को संश्लेषित करने के लिए सुदृढीकरण शिक्षण (reinforcement learning) के साथ एक कोड LLM को प्रशिक्षित करना, समाधान की गुणवत्ता और कम्प्यूटेशनल दक्षता दोनों में पारंपरिक इन्फरेंस-टाइम सर्च विधियों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र QSTRBench को प्रस्तुत करता है, जो विभिन्न कैलकुली (calculi) के माध्यम से बड़े भाषा मॉडलों की गुणात्मक स्थानिक और लौकिक तर्क क्षमताओं का मूल्यांकन करने के लिए डिज़ाइन किया गया एक व्यापक बेंचमार्क है, जो यह प्रकट करता है कि हालांकि वर्तमान मॉडल यादृच्छिक अनुमान (random guessing) से बेहतर प्रदर्शन करते हैं, वे निरंतरता बनाए रखने में संघर्ष करते हैं और तर्क कार्य की जटिलता के आधार पर महत्वपूर्ण प्रदर्शन भिन्नता प्रदर्शित करते हैं।
यह शोध पत्र ग्राफ हिरार्किकल रिकरेंस (GHR) का परिचय देता है, जो एक पैरामीटर-कुशल ढांचा है जो इनपुट ग्राफों और हिरार्किकल एब्स्ट्रैक्शंस पर संयुक्त ऑपरेशन्स का लाभ उठाकर लंबी दूरी की निर्भरताओं (long-range dependencies) को पकड़ने में मौजूदा मॉडलों से काफी बेहतर प्रदर्शन करता है और अत्याधुनिक मॉडलों के केवल 1% पैरामीटर्स के साथ उत्कृष्ट आउट-ऑफ-रेंज सामान्यीकरण (out-of-range generalization) प्राप्त करता है।
यह शोध पत्र डायनमो-के (Dynamo-K) प्रस्तुत करता है, जो एक जनगणना-आधारित एजेंट सिमुलेशन ढांचा है जो छह चुनावों में कोरियाई-भाषा के एलएलएम (LLM) में व्यवस्थित राजनीतिक पूर्वाग्रहों का निदान करता है, तीन प्रमुख विफलता मोड की पहचान करता है, और परिदृश्य पुनर्गठन (scenario reframing) और एक सीखे हुए रीवेटिंग एडेप्टर (learned reweightal adapter) जैसी प्रभावी न्यूनीकरण रणनीतियों का प्रस्ताव करता है जो भविष्यवाणी सटीकता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र यह प्रदर्शित करता है कि प्रॉम्प्ट-आधारित प्रतिबंध LLM टूल एक्सेस को प्रतिकूल हमलों से सुरक्षित करने के लिए अपर्याप्त हैं, और इसके बजाय एक नियंत्रित MCP प्रॉक्सी का प्रस्ताव देता है जो न्यूनतम विलंबता के साथ 0% अनधिकृत आह्वान दर प्राप्त करने के लिए टूल डिस्कवरी और इनवोकेशन दोनों चरणों में एट्रिब्यूट-आधारित एक्सेस कंट्रोल को लागू करता है।
यह शोध पत्र GAUC को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free) कोरेसेट चयन विधि है जो हिस्टोपैथोलॉजी में विजन-लैंग्वेज मॉडलों की सटीकता, अंशांकन (calibration) और प्रॉम्प्ट सुदृढ़ता को बिना किसी पैरामीटर अपडेट के बढ़ाने के लिए मैक्सिमम मीन डिसक्रीपेंसी, प्रभावी म्यूचुअल इंफॉर्मेशन और प्रेडिक्टिव वेरिएंस का लाभ उठाता है।
यह शोध पत्र अंकगणितीय मल्टीप्लायरों (arithmetic multipliers) के लिए एक नवीन एजिंग मिटिगेशन तकनीक का प्रस्ताव करता है जो मल्टीप्लिकेशन के साइन-इनवेरिएंस (sign-invariance) गुण का लाभ उठाकर ट्रांजिस्टरों में NBTI स्ट्रेस को पुनर्वितरित करता है, जिससे AI वर्कलोड और प्रोसेस वेरिएशन्स के तहत भी नगण्य एरिया और डिले ओवरहेड्स के साथ हार्डवेयर लाइफटाइम को बढ़ाया जा सकता है।
यह शोध पत्र प्रकट करता है कि वर्तमान लेटेंट विज़ुअल रीजनिंग मॉडल मध्यवर्ती विज़ुअल टोकन का उपयोग करने में विफल रहते हैं क्योंकि मौजूदा डेटासेट उन्हें आवश्यक बनाने के लिए अपर्याप्त जानकारी प्रदान करते हैं और इन्फरेंस-टाइम भविष्यवाणियां सटीक नहीं होती हैं, जो यह संकेत देता है कि भविष्य की प्रगति के लिए अधिक सूचनात्मक डेटासेट और बेहतर टोकन जनरेशन दोनों की आवश्यकता है।