24509 पेपर
यह शोध पत्र सुदृढीकरण aprendizaje (reinforcement learning) में मॉडल शोषण (model exploitation) की एक औपचारिक परिभाषा प्रस्तुत करता है, यह प्रदर्शित करते हुए कि जबकि बड़े नीति सेटों (policy sets) पर शोषण आम तौर पर अपरिहार्य है, शोषण की एक शिथिल धारणा एक सुरक्षित नियोजन क्षितिज (safe planning horizon) के व्युत्पत्ति की अनुमति देती है।
यह शोध पत्र डिटरमिनिस्टिक इवेंट-ग्राफ सबस्ट्रेट्स (deterministic event-graph substrates) को प्रस्तुत करता है, जो एक पारदर्शी, नॉन-पैरामीट्रिक वर्ल्ड मॉडल है जो अवस्था (state) को अपेंड-ओनली (append-only) RDF ट्रिपल लॉग्स के रूप में निरूपित करता है और लॉग फॉरकिंग (log forking) के माध्यम से सटीक काउंटरफैक्चुअल रीजनिंग (counterfactual reasoning) को सक्षम बनाता है, जो CLEVRER और twin-EventLog बेंचमार्क पर सिम्बोलिक ओरैकल्स (symbolic oracles) और पैरामीट्रिक LLM बेसलाइन्स दोनों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोधपत्र BISON को प्रस्तुत करता है, जो एक ऐसा सिस्टम है जो लंबी अवधि की योजना बनाने वाले कार्यों (long-horizon planning tasks) को बड़ी संख्या में वस्तुओं के साथ कुशलतापूर्वक हल करने में सक्षम बाईलवल पॉलिसियों (bilevel policies) को बनाने के लिए लो-लेवल न्यूरल इमिटेशन लर्निंग को हाई-लेवल सिम्बोलिक एब्स्ट्रैक्शंस के साथ जोड़ता है, जो स्केलेबिलिटी और दक्षता में मौजूदा एंड-टू-एंड विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र प्रदर्शित करता है कि हाइब्रिड रेफरेंस-फ्री रिवॉर्ड के साथ ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन (GRPO), समानांतर डेटा के बिना 13 विविध भाषाओं में एनकोडर-डिकोडर मशीन ट्रांसलेशन मॉडल (NLLB-200) को प्रभावी ढंग से फाइन-ट्यून कर सकता है, जिससे महत्वपूर्ण प्रदर्शन लाभ प्राप्त होते हैं जो उन लो-रिसोर्स परिदृश्यों में सबसे अधिक स्पष्ट हैं जहाँ बेसलाइन प्रदर्शन सबसे कमजोर होता है।
यह शोध पत्र एक प्रतीकात्मक ढांचे का प्रस्ताव करता है जो सिमेंटिक पार्सिंग, ऑन्टोलॉजी मैपिंग और रीजनिंग को एकीकृत करके असंरचित कानून प्रवर्तन वृत्तांतों को साक्ष्य-लिंक्ड तथ्यों और टेम्पोरल ग्राफ में परिवर्तित करता है, जो संपत्ति संबंधी अपराध रिपोर्टों से प्रमुख घटना विवरणों को निकालने में उच्च सटीकता प्रदर्शित करता है।
यह शोध पत्र 'कंस्ट्रेंड लेटेंट स्टेट मॉडलिंग' (CLSM) को एक एकीकृत ढांचे के रूप में प्रस्तावित करता है जो प्रेडिक्टिव सफिशिएंसी (भविष्यवाणी पर्याप्तता) और मिनिमैलिटी (न्यूनतमता) जैसी मुख्य विशेषताओं के बीच अंतर्निहित समझौतों को औपचारिक रूप देता है, जिससे प्रतिनिधित्व सीखने (रिप्रेजेंटेशन लर्निंग) की चुनौतियों को कम-प्रतिबंधित उद्देश्यों के परिणामों के रूप में पुनर्गठित किया जाता है और व्याख्या योग्य एवं सुदृढ़ लेटेंट स्टेट मॉडलों को डिजाइन करने के लिए एक सिद्धांतपूर्ण मार्गदर्शिका प्रदान की जाती है।
यह शोध पत्र गणितीय शिक्षा में विजन लैंग्वेज मॉडल्स (VLMs) की अनुकूलन क्षमता का व्यवस्थित रूप से मूल्यांकन करने के लिए एक लर्नर मॉडल-आधारित रूब्रिक प्रस्तावित करता है, जो यह प्रकट करता है कि हालांकि विभिन्न मॉडलों के बीच मापने योग्य अंतर मौजूद हैं, वर्तमान VLMs निरंतर व्यक्तिगत निर्देशात्मक प्रतिक्रियाएं उत्पन्न करने में संघर्ष करते हैं, विशेष रूप से तब जब उन्हें सीमित शिक्षार्थी जानकारी प्रदान की जाती है।
यह शोध पत्र एजेंट एट्रिब्यूशन (agent attribution) के लिए पहले व्यावहारिक प्रोटोकॉल को प्रस्तुत करता है, जो वेंडरों को इंटरैक्शन स्ट्रीम में मजबूत कैनरीज (canaries) इंजेक्ट करके स्वायत्त एआई एजेंटों को उनके तैनात खातों तक ट्रैक करने में सक्षम बनाता है, जिन्हें एजेंट के प्रदर्शन को कम किए बिना दबाया नहीं जा सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि द्विपक्षीय रस्सी हेरफेर (bimanual rope manipulation) कार्यों के लिए, भौतिकी-संगत 3D कण अवस्थाओं (physics-consistent 3D particle states) पर आधारित नीतियां, समान सीमित मानव टेलीऑपरेशन डेटा पर प्रशिक्षित विजन-आधारित नीतियों की तुलना में काफी बेहतर प्रदर्शन करती हैं, जो इस बात को रेखांकित करता है कि विजुअल दृष्टिकोणों में सामान्यीकरण (generalization) की कमी अवलोकन स्थान (observation space) के कारण है न कि नीति वास्तुकला (policy architecture) के कारण।
RecMem एक कुशल दीर्घकालिक (long-running) LLM एजेंट मेमोरी सिस्टम है जो प्रत्येक इंटरैक्शन को तुरंत प्रोसेस करने के बजाय, एक हल्के एम्बेडिंग-आधारित अवचेतन स्तर (subconscious layer) में आवर्ती सिमेंटिक पैटर्न का पता चलने तक LLM-आधारित मेमोरी कंसोलिडेशन को स्थगित करके टोकन की खपत को काफी कम करता है और सटीकता में सुधार करता है।