28108 पेपर
यह शोध पत्र एक हार्डवेयर-जागरूक न्यूरल आर्किटेक्चर सर्च (NAS) फ्रेमवर्क प्रस्तावित करता है जो फुल-प्रिसिजन ट्रेनिंग और स्पेसबोर्न VPUs जैसे संसाधन-सीमित एज हार्डवेयर पर परिनियोजन के बीच सटीकता के अंतर को पाटने के लिए अनुकूलन प्रक्रिया में सीधे लो-प्रिसिजन संख्यात्मक बाधाओं को एकीकृत करता है।
MIMIC एक जनरेटिव मल्टीमॉडल फाउंडेशन मॉडल है जिसे संरेखित (aligned) LORE डेटासेट पर प्रशिक्षित किया गया है, जो अनुक्रम (sequence), संरचना (structure) और नियामक (regulatory) मोडैलिटीज को एकीकृत करने के लिए एक स्प्लिट-ट्रैक आर्किटेक्चर का उपयोग करता है, जिससे जीनोम, ट्रांसक्रिप्टोम और प्रोटिओम में बायोमॉलिक्यूलर रिप्रेजेंटेशन लर्निंग, कंडीशनल प्रेडिक्शन और कंस्ट्रेंड डिज़ाइन में अत्याधुनिक प्रदर्शन सक्षम होता है।
यह शोध पत्र सेल्फ-सिंथेसाइजिंग रीजनिंग प्रोटोकॉल (SSRP) को प्रस्तुत करता है, जो एक मेटाकॉग्निटिव फ्रेमवर्क है जो स्वायत्त LLM एजेंटों में "अटेंशन लैच" विफलता मोड से उबरने के लिए आर्किटेक्चरल प्लानिंग को प्रोसीजरल एक्जीक्यूशन से अलग करता है, और कई आर्किटेक्चर और डेटासेट्स में बेसलाइन मॉडल्स की तुलना में 715 गुना लचीलापन सुधार प्रदर्शित करता है।
यह शोध पत्र लेयरवाइज़ कन्वर्जेंस फिंगरप्रिंटिंग (LCF) को प्रस्तुत करता है, जो एक ट्यूनिंग-मुक्त रनटाइम मॉनिटर है जो बिना किसी संदर्भ मॉडल, ट्रिगर ज्ञान या पुन: प्रशिक्षण की आवश्यकता के, इंटर-लेयर हिडन-स्टेट प्रक्षेप पथों (trajectories) का विश्लेषण करके कई आर्किटेक्चरों में विविध LLM दुर्व्यवहारों—जिसमें बैकडोर्स, जेलब्रेक्स और प्रॉम्प्ट इंजेक्शन शामिल हैं—का पता लगाता है।
STELLAR-E एक पूर्णतः स्वचालित, दो-चरणीय ढांचा है जो LLM अनुप्रयोग मूल्यांकन के लिए उच्च-गुणवत्ता वाले, अनुकूलन योग्य सिंथेटिक डेटासेट उत्पन्न करता है, जो मौजूदा बेंचमार्क के समान मूल्यांकन गुणवत्ता प्राप्त करते हुए मैनुअल डेटा संग्रह का एक स्केलेबल और कुशल विकल्प प्रदान करता है।
FastOMOP एक ओपन-सोर्स, मल्टी-एजेंट आर्किटेक्चर है जो नियतात्मक गवर्नेंस (deterministic governance), ऑब्जर्वेबिलिटी और ऑर्केस्ट्रेशन लेयर्स को प्लगेबल एजेंट टीमों से अलग करके, OMOP CDM डेटा से सुरक्षित, लचीला और ऑडिट करने योग्य रियल-वर्ल्ड एविडेंस सुनिश्चित करता है, जिससे अंतर्निहित लैंग्वेज मॉडल्स से स्वतंत्र होकर उच्च विश्वसनीयता और पूर्ण सुरक्षा ब्लॉक दर प्राप्त की जा सकती है।
यह शोध पत्र AstroVLBench प्रस्तुत करता है, जो एक व्यापक बहु-मोडल बेंचमार्क है जो खगोलीय तर्क कार्यों पर अत्याधुनिक विजन-लैंग्वेज मॉडलों का मूल्यांकन करता है, और यह प्रकट करता है कि हालांकि ये मॉडल आशाजनक दिखते हैं, वे विशेष विधियों की तुलना में काफी कम प्रदर्शन करते हैं और विश्वसनीय वैज्ञानिक सटीकता प्राप्त करने के लिए स्पष्ट भौतिक आधार और संख्यात्मक डेटा की आवश्यकता होती है।
यह शोध पत्र **NeSyCat** का प्रस्ताव करता है, जो एक श्रेणीबद्ध ढांचा (categorical framework) है जो ULLER न्यूरोसिम्बोलिक भाषा के विजातीय शास्त्रीय, फजी और संभाव्य अर्थों (semantics) को एक एकल मॉड्यूलर प्रणाली में एकीकृत करने के लिए मोनाड्स (monads) का उपयोग करता है, जो विभिन्न अर्थ संबंधी मॉडलों के बीच आसान विस्तार और अनुवाद की अनुमति देता है।
CF-VLA एक कोर्स-टू-फाइन (coarse-to-fine) दो-चरणीय ढांचे को पेश करता है जो गैर-सूचनात्मक गाऊसी शोर (uninformative Gaussian noise) को एक संरचित एक्शन इनिशियलाइजेशन में और उसके बाद सिंगल-स्टेप रिफाइनमेंट में परिवर्तित करता है, जो फ्लो-आधारित विजन-लैंग्वेज-एक्शन पॉलिसियों के दक्षता-प्रदर्शन ट्रेड-ऑफ में महत्वपूर्ण सुधार करता है और काफी कम सैंपलिंग लेटेंसी के साथ स्टेट-ऑफ-द-आर्ट रियल-रोबोट सफलता दर प्राप्त करता है।
XGRAG एक नवीन ढांचा है जो ग्राफ-आधारित विक्षोभ रणनीतियों (graph-based perturbation strategies) का उपयोग करके ग्राफ-आधारित रिट्रीवल-ऑगमेंटेड जनरेशन (GraphRAG) की पारदर्शिता और विश्वसनीयता को बढ़ाता है, जिससे ऐसे कारण-आधारित स्पष्टीकरण उत्पन्न होते हैं जो मॉडल के अंतिम उत्तर में विशिष्ट नॉलेज ग्राफ घटकों के योगदान को परिमाणित करते हैं।