🤖 Category

cs.AI

21046 पेपर

🤖 AI

Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents

यह शोध पत्र 27 अध्ययनों के निष्कर्षों को संश्लेषित करते हुए लार्ज लैंग्वेज मॉडल एजेंटों में छह आवर्ती विफलता समूहों (failure clusters) का एक एकीकृत वर्गीकरण प्रस्तावित करता है, जो यह प्रकट करता है कि व्यक्तिगत उप-कार्यों पर प्रदर्शन अक्सर टूल के उपयोग, योजना, दीर्घ-अवधि तर्क (long-horizon reasoning), समन्वय, सुरक्षा और मापन वैधता में संचयी त्रुटियों के कारण विश्वसनीय एंड-टू-एंड सफलता में परिवर्तित नहीं हो पाता है।

Wael Albayaydh, Rui Zhao, Ivan Flechais2026-07-08
🤖 AI

Controlling Tool Use with Heading-Specific Activation Steering

यह शोध पत्र प्रदर्शित करता है कि जबकि हेडिंग-एंकर (heading-anchors) से निकाले गए स्टीयरिंग वेक्टर्स (steering vectors) बड़े भाषा मॉडलों में टूल इवोकेशन (tool invocation) को प्रभावी ढंग से नियंत्रित कर सकते हैं, ज्यामितीय विश्लेषण यह प्रकट करता है कि इन वेक्टर्स में पैरामीट्रिक अवधारणाओं की विशिष्ट स्वच्छ रैखिक संरचना का अभाव है, और इसके बजाय वे विसरित, द्वि-आयामी संरेखण (bimodal alignments) और विभिन्न टूल प्रकारों के लिए विशिष्ट हस्ताक्षरों को प्रदर्शित करते हैं जो बाहरी टूल्स की गैर-पैरामीट्रिक प्रकृति को दर्शाते हैं।

Yuqi Chen, Vincent Siu, Yang Liu, Dawn Song, Chenguang Wang2026-07-08
🤖 AI

TurnOPD: Making On-Policy Distillation Turn-Aware for Efficient Long-Horizon Agent Training

TurnOPD एक नवीन ऑन-पॉलिसी डिस्टिलेशन फ्रेमवर्क है जो एडेप्टिव रोलआउट-डेप्थ बजटिंग और प्रोग्रेसिव टर्न-नॉर्मलाइज्ड लॉस वेटिंग को पेश करके लॉन्ग-होरइजन लैंग्वेज एजेंट्स के प्रशिक्षण की दक्षता को बढ़ाता है, ताकि वे वैनिला OPD में निहित संसाधन अपव्यय और प्रशिक्षण असंतुलन को दूर कर सकें।

Yuhang Zhou, Kai Zheng, Haoling Li, Dengyun Peng, Can Xu, Jingjing Chen2026-07-08
🤖 AI

Beyond Refusal: A Same-Lineage Study of Aligned and Abliterated LLMs for Vulnerability Analysis

यह अध्ययन प्रदर्शित करता है कि एक ही वंश (lineage) के बड़े भाषा मॉडलों के भीतर, रिफ्यूज़ल तंत्र (अब्लेशन) को हटाने से उनके संरेखित (aligned) समकक्षों की तुलना में सॉफ्टवेयर भेद्यता विश्लेषण कार्यों—जैसे पैच सत्यापन और कोड स्थानीयकरण—के लिए उनकी व्यावहारिक उपयोगिता में महत्वपूर्ण वृद्धि होती है, जो यह रेखांकित करता है कि सुरक्षा मूल्यांकनों को प्रतिक्रिया की इच्छा, शुद्धता और कार्यक्षमता का संयुक्त रूप से आकलन करने की आवश्यकता है।

Mingchen Li, Meikang Qiu, Zifan Peng, Heng Fan, Song Fu, Junhua Ding, Yunhe Feng2026-07-08
🤖 machine learning

Unsupervised Anomaly Detection of Information Operations Users via Behavioral and Language Patterns

यह शोध पत्र TENSOR को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड (unsupervised) फ्रेमवर्क है जो टेम्पोरल पॉइंट प्रोसेस (Temporal Point Processes) के माध्यम से उपयोगकर्ताओं के समन्वित टेम्पोरल व्यवहारों को मॉडल करके और उनके टेक्स्टुअल कंटेंट के लार्ज लैंग्वेज मॉडल (LLM) विश्लेषण से प्राप्त मात्रात्मक स्कोर के साथ इन संकेतों को परिष्कृत करके सूचना परिचालन (information operations) उपयोगकर्ताओं का पता लगाता है, जिससे यह वास्तविक दुनिया के डेटासेट पर मौजूदा विधियों से बेहतर प्रदर्शन करता है।

Sishun Liu, Sajal Halder, Ke Deng, Yan Wang, Xiuzhen Zhang2026-07-08
🤖 AI

Think Before You Grid-Search: Floor-First Triage for LLM Serving

यह शोध पत्र "फ्लोर-फर्स्ट ट्राइएज" (Floor-First Triage) का प्रस्ताव करता है, जो एक कंपोजिशनल, एस्टीमेशन-ड्रिवन वर्कफ़्लो है जो एलएलएम (LLM) डिकोडिंग को पांच-आयामी संसाधन वेक्टर के रूप में मॉडल करता है ताकि भारी प्रोफाइलिंग या ग्रिड सर्च का सहारा लिए बिना प्रदर्शन सीमाओं को विश्लेषणात्मक रूप से निर्धारित किया जा सके और बाइंडिंग बाधाओं की पहचान की जा सके, जिससे विविध ऑपरेटिंग पॉइंट्स के लिए कंप्यूटेबल लेआउट निर्णय सक्षम हो सकें।

Yihua Liu2026-07-08✓ Author reviewed ⓘ
🤖 AI

Harrison.Rad 1.5 Technical Report: A radiology foundation model that can draft reports from images, priors and clinical context

Harrison.Rad 1.5 एक रेडियोलॉजी-विशिष्ट मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जिसे विविध एक्स-रे और मैमोग्राफी छवियों, नैदानिक संदर्भ और पूर्व अध्ययनों से संरचित और असंरचित रिपोर्ट उत्पन्न करने के लिए एक तीन-चरणीय पाइपलाइन के माध्यम से प्रशिक्षित किया गया है, जो सिम्युलेटेड FRCR परीक्षा सहित नैदानिक बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है।

Suneeta Mall, Vladimir Nekrasov, Ashnil Kumar, Sajith Karunasena, Aiden Nibali, Alix Bird, Mateo Diaz Shine, Jarrel Seah2026-07-08
🤖 AI

i-EXAM: Instructable and Explainable Attack Connectivity Graph Modeler

i-EXAM एक प्लानिंग-पावर्ड टूल है जो सिस्टम एडमिनिस्ट्रेटर्स को जटिल नेटवर्क सुरक्षा को मॉडल करने, अटैक पाथ्स की पहचान करने और लार्ज लैंग्वेज मॉडल्स का उपयोग करके साउंडनेस और कम्प्लीटनेस गारंटी के साथ विविध हार्डनिंग रणनीतियों को जेनरेट और स्पष्ट करने में सक्षम बनाता है।

Rakesh Podder, Wadia Ganim, Sarath Sreedharan, Indrajit Ray, Indrakshi Ray2026-07-08
🤖 AI

Uncovering Latent Depression Severity for Binary Depression Detection via Advantage-weighting Ranking

यह शोधपत्र बाइनरी डिप्रेशन डिटेक्शन के लिए एक फाइन-ग्रेंड मल्टीमॉडल फ्रेमवर्क प्रस्तावित करता है जो डायनेमिक हार्ड-पेयर माइनिंग और इंट्रा-क्लास कॉम्पैक्टनेस के माध्यम से लेटेंट स्पेस डिस्ट्रीब्यूशन को ऑप्टिमाइज़ करने के लिए एक नवीन बाइनरी एडवांटेज-वेटिंग रैंकिंग लॉस का लाभ उठाता है, जिससे D-vlog और LMVD डेटासेट्स पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है।

Manning Gao, Tingyi Liu, Leheng Zhang, Haifeng Hu, Yuncheng Jiang, Sijie Mai2026-07-08
🤖 machine learning

K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation)

K-ABENA एक चयनात्मक ग्रेडिएंट कंप्यूटेशन फ्रेमवर्क है जो कम-लॉस (low-loss) वाले नमूनों को बाहर करके प्रशिक्षण लागत को कम करता है और एक निष्पक्ष ग्रेडिएंट एस्टिमेटर प्रदान करने के लिए हॉरविट्ज़-थॉम्पसन रीवेटिंग (Horvitz-Thompson reweighting) का उपयोग करता है, जिससे यह अनकम्पेंसेटेड सिलेक्शन विधियों के गंभीर विफलता मोड के बिना पूर्ण-बैच SGD के तुलनीय प्रदर्शन और अभिसरण गारंटी (convergence guarantees) प्राप्त करता है।

Jean-Francois Bonbhel2026-07-08