27120 पेपर
यह शोध पत्र क्रॉस-आर्किटेक्चर प्रॉक्सी ट्यूनिंग (CAPT) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त विधि है जो मॉडल एंसेम्बलिंग और कंट्रास्टिव डिकोडिंग के माध्यम से मौजूदा लीगेसी क्लिनिकल मॉडल्स का लाभ उठाकर नई पीढ़ी के जनरल-डोमेन LLMs को क्लिनिकल डोमेन के अनुकूल बनाती है, जिससे बिना किसी महंगी रिट्रेनिंग के बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स में "सेलेक्टिव सेफ्टी ट्रैप" (चयनात्मक सुरक्षा जाल) को उजागर करता है, जहाँ सुरक्षा संरेखण एक जनसांख्यिकीय पदानुक्रम बनाता है जो अल्पप्रतिनिधित्व वाले समूहों को असुरक्षित छोड़ देता है, और सभी आबादी के लिए न्यायसंगत, हस्तांतरणीय सुरक्षा प्राप्त करने हेतु एक नए द्विभाषी बेंचमार्क (MiJaBench) और लक्षित अनुकूलन पद्धति का प्रस्ताव करता है।
यह शोध पत्र स्पेक्ट्रल ऑर्थोगोनल एक्सप्लोरेशन (SOE) का प्रस्ताव करता है, जो एक ज्यामितीय अनुमान ढांचा (geometric inference framework) है जहाँ एक "छात्र" मॉडल, "रीजनिंग कोलैप्स" (reasoning collapse) को दूर करने के लिए ऑर्थोगोनल रीजनिंग सिग्नल्स इंजेक्ट करके एक "शिक्षक" मॉडल को निर्देशित करता है और गणितीय, तार्किक और कोड जनरेशन कार्यों में सटीकता और दक्षता में महत्वपूर्ण सुधार करता है।
AdaFRUGAL एक अनुकूलनशील ढांचा (adaptive framework) है जो गतिशील मेमोरी न्यूनीकरण और लॉस-अवेयर अपडेट शेड्यूलिंग के माध्यम से ग्रेडिएंट-स्प्लिटिंग मापदंडों के फाइन-ट्यूनिंग को स्वचालित करता है, जिससे प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए कम GPU मेमोरी और समय की आवश्यकताओं के साथ लार्ज लैंग्वेज मॉडल्स के कुशल और स्वायत्त प्रशिक्षण को सक्षम बनाया जा सके।
यह शोध पत्र ARK को प्रस्तुत करता है, जो एक अनुकूली, प्रशिक्षण-मुक्त नॉलेज ग्राफ रिट्रीवर है जो भाषा मॉडलों को साक्ष्य पुनर्प्राप्ति (एविडेंस रिट्रीवल) के लिए वैश्विक लेक्सिकल सर्च और नेबरहुड एक्सप्लोरेशन के बीच गतिशील रूप से संतुलन बनाने में सक्षम बनाता है, जो बेंचमार्क डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करता है और छोटे मॉडलों में सफल डिस्टिलेशन का प्रदर्शन करता है।
यह शोध पत्र DeepVerifier को प्रस्तुत करता है, जो एक स्व-विकसित (self-evolving) ढांचा है जो एक नवीन विफलता वर्गीकरण (failure taxonomy) से प्राप्त रूब्रिक्स का उपयोग करके आउटपुट को पुनरावृत्तीय रूप से सत्यापित और परिष्कृत करके इन्फरेंस-टाइम स्केलिंग के माध्यम से डीप रिसर्च एजेंट्स को उन्नत करता है, जिससे बिना किसी अतिरिक्त प्रशिक्षण के महत्वपूर्ण सटीकता लाभ प्राप्त होता है और ओपन-सोर्स प्रगति को समर्थन देने के लिए एक संबंधित डेटासेट जारी किया जाता है।
यह लेख URF-GS प्रस्तुत करता है, जो एक एकीकृत ढांचा (unified framework) है जो उच्च-परिशुद्धता वाले 3D रेडियो मानचित्रों को उत्पन्न करने के लिए विजुअल और वायरलेस डेटा को फ्यूज करने हेतु 3D गॉसियन स्प्लेटिंग और इनवर्स रेंडरिंग का लाभ उठाता है, जो मौजूदा NeRF-आधारित विधियों की तुलना में स्थानिक स्पेक्ट्रम सटीकता और सैंपलिंग दक्षता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र यह प्रदर्शित करता है कि सिम्बोलिक एआई (symbolic AI) स्पष्टीकरणों पर औपचारिक अमूर्तता (formal abstractions) लागू करना—विशेष रूप से समझ में सुधार के लिए अप्रासंगिक विवरणों को क्लस्टर करने और संज्ञानात्मक प्रयास को कम करने के लिए उन्हें हटाने से—एक आंसर सेट प्रोग्रामिंग (Answer Set Programming) ढांचे के भीतर मानव तर्क प्रदर्शन और व्याख्यात्मकता को महत्वपूर्ण रूप से बढ़ाता है।
ELIQ एक नवीन लेबल-मुक्त फ्रेमवर्क है जो तेजी से विकसित हो रही जनरेटिव एआई में मानव एनोटेशन की अप्रचलता को संबोधित करता है, जो प्रशिक्षण युग्मों (training pairs) का स्वचालित रूप से निर्माण करता है और एआई-जनित एवं उपयोगकर्ता-जनित दोनों प्रकार की सामग्री में दृश्य गुणवत्ता और प्रॉम्प्ट संरेखण का मजबूती से आकलन करने के लिए एक मल्टीमॉडल मॉडल को अनुकूलित करता है।
यह योगदान Trace-Free+ पेश करता है, जो एक करिकुलम-लर्निंग फ्रेमवर्क और उससे जुड़े उच्च-गुणवत्ता वाले डेटासेट के साथ है जो टूल विवरणों को फिर से लिखकर अस्पष्टताओं को दूर करता है, जिससे LLM एजेंटों की विश्वसनीयता में सुधार होता है, और इस प्रकार प्रति-टूल पुनरप्रशिक्षण (retraining) के बिना बड़े टूल कैटलॉग में स्केलेबिलिटी और सामान्यीकरण को महत्वपूर्ण रूप से बढ़ाता है।