25618 पेपर
यह अध्ययन प्रकट करता है कि जबकि मूल्यांकित किए गए 22 लार्ज लैंग्वेज मॉडल्स (Large Language Models) आम तौर पर चिकित्सा साहित्य में मनुष्यों की तुलना में 'स्पिन' (पक्षपाती दृष्टिकोण) के प्रति अधिक संवेदनशील होते हैं और अपने सारांशों में इसे प्रसारित कर सकते हैं, उन्हें इस तरह के पूर्वाग्रह को पहचानने और कम करने के लिए प्रभावी ढंग से प्रॉम्प्ट किया जा सकता है।
यह सर्वेक्षण लार्ज लैंग्वेज मॉडल रीजनिंग में स्केलिंग रणनीतियों के जटिल परिदृश्य का व्यापक रूप से परीक्षण करता है, जो प्रदर्शन पर उनके प्रभावों का विश्लेषण करने और भविष्य के एआई विकास को निर्देशित करने के लिए उन्हें इनपुट आकार, रीजनिंग स्टेप्स, इटरेटिव राउंड्स और ट्रेनिंग-एनेबल्ड ऑप्टिमाइज़ेशन जैसे आयामों में वर्गीकृत करता है।
यह शोध पत्र एक हाइब्रिड अनुकूलन ढांचे (hybrid optimization framework) को प्रस्तुत करता है जो विभिन्न इंस्टेंस आकारों में बस ड्राइवर शेड्यूलिंग समस्या के लिए अत्याधुनिक समाधान प्राप्त करने हेतु साझा कॉलम जनरेशन (shared column generation) का उपयोग करते हुए, ब्रांच एंड प्राइस (Branch and Price) को लार्ज नेबरहुड सर्च (Large Neighborhood Search) के साथ घनिष्ठ रूप से एकीकृत करता है।
यह शोध पत्र SweRank को प्रस्तुत करता है, जो सॉफ़्टवेयर इश्यू लोकलाइजेशन के लिए एक कुशल रिट्रीव-एंड-रीरैंक फ्रेमवर्क है, जो बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए नव-निर्मित SweLoc डेटासेट का लाभ उठाता है और साथ ही क्लोज्ड-सोर्स LLM एजेंट-आधारित दृष्टिकोणों की लागत और विलंबता (लेटेंसी) को भी पीछे छोड़ देता है।
यह शोध पत्र एक सार्वभौमिक सिम्युलेटर के अस्तित्व को स्थापित करता है जो ट्रांसफॉर्मर एनकोडर्स से बना है और जो RASP फ्रेमवर्क के माध्यम से मनमाने वैनिला अटेंशन मैकेनिज्म और उनके अंतर्निहित ऑपरेशन्स को एल्गोरिद्मिक और नियत रूप से पुनरुत्पादित कर सकता है, जिससे एक डेटा-अज्ञेय (data-agnostic) समाधान प्राप्त होता है जहाँ पिछले दृष्टिकोण संभाव्य शिक्षण (probabilistic learning) पर निर्भर थे।
यह शोध पत्र रिट्रीवल-ऑगमेंटेड जनरेशन में कॉन्टेक्स्ट एट्रिब्यूशन के लिए एक नवीन ढांचे का प्रस्ताव करता है जो इस समस्या को एक कॉम्बिनेटरियल मल्टी-आर्म्ड बैंडिट कार्य के रूप में स्वरूपित करता है, जिसमें लीनियर थॉमसन सैंपलिंग का उपयोग करके प्रभावशाली कॉन्टेक्स्ट सेगमेंट की कुशलतापूर्वक पहचान की जाती है, जो मौजूदा विधियों की एट्रिब्यूशन गुणवत्ता के बराबर या उससे बेहतर होते हुए मॉडल क्वेरीज़ को 30% तक कम कर देता है।
यह शोध पत्र POLIS को प्रस्तुत करता है, जो एक ऐसा ढांचा है जहाँ विषम (heterogeneous) लार्ज लैंग्वेज मॉडल्स, पीयर वेरिफिकेशन और साझा मेमोरी में मान्य आर्टिफैक्ट्स के प्रतिधारण (retention) के माध्यम से मानव संचयी सांस्कृतिक विकास (cumulative cultural evolution) की नकल करके गणितीय तर्क में महत्वपूर्ण प्रदर्शन लाभ प्राप्त करते हैं, जो यह प्रदर्शित करता है कि संरचित सामाजिक संपर्क मॉडल के आकार के लंबवत (orthogonal) एक शक्तिशाली स्केलिंग लीवर के रूप में कार्य करता है।
यह शोध पत्र FLOSS प्रस्तुत करता है, जो एक फेडरेटेड लर्निंग सिस्टम है जिसे उपयोगकर्ता के ऑप्ट-आउट और डिवाइस स्ट्रैगलर के कारण होने वाले लापता डेटा से उत्पन्न मॉडल प्रदर्शन में गिरावट और पूर्वाग्रह को कम करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र एक नवीन कॉन्स्टलेशन-आधारित रिवॉर्ड फंक्शन के साथ एक सुदृढीकरण शिक्षण (reinforcement learning) दृष्टिकोण प्रस्तुत करता है जो मानवोइड्स को कुशलतापूर्वक और मजबूती से अल्प-दूरी के SE(2) लक्ष्य पोज तक पहुँचने में सक्षम बनाता है, जो सिमुलेशन और वास्तविक हार्डवेयर दोनों में पारंपरिक वेग-ट्रैकिंग विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र PMSR का प्रस्ताव करता है, जो एक प्रगतिशील मल्टीमॉडलल सर्च और रीजनिंग फ्रेमवर्क है जो सिंगल-पास रिट्रीवल-ऑगमेंटेड जनरेशन की सीमाओं को दूर करने के लिए ड्यूल-स्कोप क्वेरीज़ और इटरेटिव रिफाइनमेंट का उपयोग करके नॉलेज-इंटेंसिव विजुअल क्वेश्चन अनswering को बढ़ाता है, जिससे विविध बेंचमार्क पर नॉलेज रिट्रीवल और उत्तर की सटीकता दोनों में महत्वपूर्ण सुधार होता है।