25058 पेपर
यह शोध पत्र PhoneSafety प्रस्तुत करता है, जो 700 वास्तविक दुनिया के सुरक्षा-महत्वपूर्ण क्षणों का एक बेंचमार्क है जो फोन-उपयोग एजेंटों में वास्तविक सुरक्षा और मात्र अक्षमता के बीच अंतर करता है, यह प्रकट करते हुए कि मजबूत सामान्य क्षमताएं सुरक्षित निर्णय लेने की गारंटी नहीं देती हैं और हानिरहित परिणाम अक्सर वास्तविक सुरक्षा के बजाय कार्य करने में असमर्थता को छिपाते हैं।
यह शोध पत्र हिडन-स्टेट ड्रिवन मार्जिन इंटरवेंशन (HDMI) का प्रस्ताव करता है, जो एक प्रोब-मुक्त, ग्रेडिएंट-आधारित विधि है जो मौजूदा क्लासिफायर-निर्भर दृष्टिकोणों की तुलना में अधिक विश्वसनीय कारण संबंधी हस्तक्षेप (causal interventions) प्राप्त करने के लिए मॉडल के नेटिव आउटपुट का उपयोग करके सीधे LLM हिडन स्टेट्स को निर्देशित करती है, साथ ही टेक्स्ट एडिटिंग के लिए एक लुकअहेड वेरिएंट भी पेश करती है।
यह शोध पत्र Psych-201 डेटासेट प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि पोस्ट-ट्रेनिंग प्रक्रियाएं, जो बड़े भाषा मॉडलों को उपयोगिता के लिए अनुकूलित करती हैं, निरंतर मानव व्यवहार का सटीक रूप से अनुकरण करने की उनकी क्षमता को कम करती हैं, एक ऐसी समस्या जो नई मॉडल पीढ़ियों में बनी रहती है और बदतर होती जाती है और जिसे पर्सोना-इंडक्शन तकनीकों द्वारा हल नहीं किया जा सकता है।
यह शोध पत्र LC-MAPF प्रस्तुत करता है, जो एक सामान्यीकरण योग्य प्री-ट्रेंड मॉडल है जो कुशल फीचर शेयरिंग के लिए एक स्केलेबल, सीखने योग्य मल्टी-राउंड कम्युनिकेशन मॉड्यूल को शामिल करके विकेंद्रीकृत मल्टी-एजेंट पाथफाइंडिंग को बढ़ाता है, जो स्केलेबिलिटी से समझौता किए बिना विविध परिदृश्यों में मौजूदा लर्निंग-आधारित सॉल्वर्स से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक न्यूरो-सिम्बोलिक ढांचे का प्रस्ताव करता है जो लॉजिक-ऑगमेंटेड जनरेशन और एक्टिव इन्फरेंस को जोड़ता है ताकि विनिर्माण जैसे प्रक्रियात्मक डोमेन से अंतर्निहित ज्ञान (tacit knowledge) को निकाला जा सके, जो सफलतापूर्वक अंतर्निहित विशेषज्ञता को बेहतर पूर्णता और अर्थपूर्ण गुणवत्ता वाले औपचारिक, मशीन-व्याख्या योग्य नॉलेज ग्राफ में परिवर्तित करता है।
यह शोध पत्र लिथोबेंच (LithoBench) को प्रस्तुत करता है, जो 10,000 विशेषज्ञ-एनोटेटेड रिमोट सेंसिंग इंस्टेंस से बना एक व्यापक बहु-स्तरीय बेंचमार्क है, जिसे भूवैज्ञानिक अर्थ संबंधी समझ और जटिल लिथोलॉजी व्याख्या कार्यों में बड़े मल्टीमॉडल मॉडलों की महत्वपूर्ण सीमाओं का मूल्यांकन करने और उन्हें उजागर करने के लिए डिज़ाइन किया गया है।
MAVEN एक ब्लैकबोर्ड-प्रेरित, मल्टी-एजेंट फ्रेमवर्क है जो इन-स्टेप ऑडिटिंग के साथ एक एडवर्सरियल स्केप्टिक-रिसर्चर-जज लूप में भूमिकाओं को अलग करके LLM रीजनिंग की गुणवत्ता और एपिस्टेमिक ट्रस्ट को बढ़ाता है, जो विविध बेंचमार्क और बैकबोन मॉडल्स पर मोनोलिथिक और कंसेंसस-आधारित बेसलाइन्स से बेहतर प्रदर्शन करता है।
यह अध्ययन प्रकट करता है कि जहाँ स्वचालित लघु उत्तर स्कोरिंग मॉडल स्पष्ट रूप से सही या गलत प्रतिक्रियाओं पर अच्छा प्रदर्शन करते हैं, वहीं वे मध्यम-श्रेणी के, आंशिक रूप से सही उत्तरों पर मानव विशेषज्ञों के साथ सहमति में महत्वपूर्ण गिरावट प्रदर्शित करते हैं, जो एक ऐसी सीमा है जो फ्यू-शॉट लार्ज लैंग्वेज मॉडल्स में सबसे गंभीर है और कार्य-विशिष्ट अनुकूलन बढ़ने के साथ सुधरती है।
यह शोध पत्र ODD वर्गीकरण और पहचान पर एक अनुभवजन्य अध्ययन आयोजित करके, अनुकूलन रणनीतियों का विश्लेषण करके, और परिभाषा-आधारित चेन-ऑफ-थॉट प्रॉम्प्टिंग को व्यक्तित्व अपघटन (persona decomposition) के साथ सुरक्षा-महत्वपूर्ण अनुप्रयोगों में सुरक्षित, अनुकूलनीय धारणा के लिए सबसे प्रभावी दृष्टिकोण के रूप में पहचान कर, स्वायत्त प्रणालियों के लिए ज़ीरो-शॉट "ODD सेंसर" के रूप में विज़न-लैंग्वेज मॉडल्स की प्रभावशीलता का मूल्यांकन करता है।
यह शोध पत्र प्रदर्शित करता है कि सुचारू (smooth), पूर्णतः उचित स्कोरिंग नियम गैर-अफ़ाइन (non-affine) अनुमोदन फलनों और मिसकैलिब्रेशन के बीच एक अंतर्निहित अंतर्जातता (endogeneity) के कारण रणनीतिक एजेंटों से सत्यनिष्ठ रिपोर्ट प्राप्त करने में विफल रहते हैं, लेकिन यह स्थापित करता है कि तीक्ष्ण स्टेप-फंक्शन थ्रेशोल्ड प्रथम-सर्वोत्तम परिणामों को बहाल कर सकते हैं, जो कल्याणकारी समानता (welfare equivalence) के संदर्भ में ब्रायर स्कोर (Brier score) के लिए अद्वितीय रूप से इष्टतम परिणाम है।