24509 पेपर
यह शोध पत्र प्रदर्शित करता है कि वर्तमान फ्रंटियर भाषा मॉडल महत्वपूर्ण "क्लासिफायर कॉन्टेक्स्ट रोट" (classifier context rot) से ग्रस्त हैं, जहाँ 800K टोकन से अधिक लंबे ट्रांसक्रिप्ट में खतरनाक कोडिंग एजेंट व्यवहारों का पता लगाने की उनकी क्षमता नाटकीय रूप से घट जाती है, जिससे छोटे संदर्भों की तुलना में मिस रेट (miss rate) काफी बढ़ जाता है।
यह शोध पत्र GAP (ग्रैनुलर अलाइनमेंट पैराडाइम) पेश करता है, जो एक नवीन ढांचा है जो फीचर, कॉन्टेक्स्ट और कैपेसिटी स्तरों पर डिकोडर आउटपुट को इनपुट एम्बेडिंग्स के साथ संरेखित करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स के लिए विजुअल लेटेंट रीजनिंग में फीचर-स्पेस मिसमैच को संबोधित करता है, जिससे Qwen2.5-VL 7B मॉडल पर बेहतर धारणा और तर्क प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक संरचित LLM एजेंट फ्रेमवर्क प्रस्तावित करता है जो मौजूदा मॉडल भविष्यवाणियों को परिष्कृत करने के लिए डोमेन ज्ञान को एनकोड करके कृषि उपज पूर्वानुमानों का पोस्ट-हॉक सुधार (post-hoc correction) करता है, जिससे विशेष रूप से Llama 3.1 8B को रिफाइनमेंट मॉडल के रूप में उपयोग करते हुए, प्रोप्रायटरी स्ट्रॉबेरी और सार्वजनिक USDA मक्का डेटासेट दोनों पर त्रुटियों में महत्वपूर्ण कमी प्राप्त होती है।
प्रौफ़िलीटेबल (ProfiliteTable) एक स्वायत्त मल्टी-एजेंट फ्रेमवर्क है जो डायनेमिक प्रोफाइलिंग, नॉलेज-ऑगमेंटेड कोड सिंथेसिस और क्लोज्ड-लूप फीडबैक का लाभ उठाकर अस्पष्ट उपयोगकर्ता इरादों को विश्वसनीय, गवर्नेंस-अनुपालन वाली टैबुलर डेटा प्रोसेसिंग पाइपलाइनों में रूपांतरित करने के लिए, जटिल मल्टी-स्टेप परिदृश्यों में मौजूदा बेसलाइन्स से बेहतर प्रदर्शन करता है।
SEMIR विज़ुअल सेगमेंटेशन के लिए एक नवीन फ्रेमवर्क पेश करता है जो पैरामीटराइज्ड कॉन्ट्रैक्शन (contraction) और डिलीशन (deletion) के माध्यम से एक टास्क-एडेप्टेड, बाउंड्री-अलाइन्ड ग्राफ माइनर रिप्रजेंटेशन को सीखकर फिक्स्ड-ग्रिड कंप्यूटेशन और क्लास इम्बैलेंस की सीमाओं को दूर करता है, जिससे स्पार्स स्ट्रक्चर्स के हाई-रिज़ॉल्यूशन सेगमेंटेशन के लिए कुशल, सटीक डिकोडिंग सक्षम होती है।
यह शोध पत्र "सिमेंटिक रिवॉर्ड कोलैप्स" (Semantic Reward Collapse) को अनुकूली एआई प्रणालियों में एक संरचनात्मक दोष के रूप में पहचानता है जहाँ विभिन्न प्रकार की त्रुटियों को एक ही रिवॉर्ड सिग्नल में मिला दिया जाता है, जिससे मॉडल विफलता स्वीकार करने के बजाय अनिश्चितता को दबाने और मतिभ्रम (hallucinate) पैदा करने लगते हैं, और "कॉन्स्टिट्यूशनल रिवॉर्ड स्ट्रैटिफिकेशन" (Constitutional Reward Stratification) को एक शासन ढांचे के रूप में प्रस्तावित करता है जो त्रुटि के प्रकार के आधार पर रिवॉर्ड सिग्नल्स को विभेदित करके ज्ञान संबंधी अखंडता (epistemic integrity) को बनाए रखता है।
यह शोध पत्र एक लक्ष्य-अनुकूलन टेक्स्ट-टेबुलर मॉडलिंग फ्रेमवर्क प्रस्तावित करता है जो सीमित इंटरेक्शन हिस्ट्री से अपरिचित एआई (AI) वार्ताकार के निर्णयों की प्रभावी ढंग से भविष्यवाणी करने के लिए एक फ्रोजन "LLM-as-Observer" से प्राप्त हिडन रिप्रेजेंटेशन्स का लाभ उठाता है, जो डायरेक्ट प्रॉम्प्टिंग और मानक फीचर-आधारित बेसलाइन्स से बेहतर प्रदर्शन करता है।
यह शोध पत्र प्रस्तावित करता है कि बड़े भाषा मॉडल (large language models) निम्न-आयामी, संरचित "वैचारिक विश्वास स्थानों" (conceptual belief spaces) में नेविगेट करके इन-कॉन्टेक्स्ट लर्निंग (in-context learning) करते हैं, जहाँ विश्वास अपडेट ज्यामितीय प्रक्षेपवक्र (geometric trajectories) के रूप में प्रकट होते हैं जो मॉडल के व्यवहार और आंतरिक निरूपणों दोनों में निरंतर प्रतिबिंबित होते हैं और जिन्हें रैखिक हस्तक्षेपों (linear interventions) के माध्यम से कार्य-कारण रूप से हेरफेर किया जा सकता है।
यह शोध पत्र तर्क देता है कि लार्ज लैंग्वेज मॉडल्स का उपयोग मुख्य रूप से सत्यापित सॉल्वर्स (verified solvers) के लिए कॉम्बिनेटोरियल समस्याओं को औपचारिक रूप देने के लिए किया जाना चाहिए, न कि सर्च ह्यूरिस्टिक्स (search heuristics) उत्पन्न करने के लिए, क्योंकि प्रत्यक्ष अनुकूलन (direct optimization) के प्रयास अक्सर एक "ह्यूरिस्टिक ट्रैप" (heuristic trap) पेश करते हैं जो समाधान की शुद्धता और विश्वसनीयता को महत्वपूर्ण रूप से कम कर देता है।
यह शोध पत्र CAAFC को प्रस्तुत करता है, जो एक नवीन ढांचा है जो दावों और संवादों में तथ्यात्मक त्रुटियों और मतिभ्रम (hallucinations) का पता लगाने और उन्हें सुधारने के लिए प्राथमिक स्रोतों और गतिशील साक्ष्य अपडेट द्वारा समर्थित कार्रवाई योग्य औचित्यों के माध्यम से स्वचालित और पेशेवर तथ्य-जांच के बीच के अंतर को पाटता है, जिससे यह मौजूदा अत्याधुनिक प्रणालियों से बेहतर प्रदर्शन करता है।