21138 पेपर
SpatialThinker एक नवीन मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जो डेंस स्पेशियल रिवॉर्ड्स के साथ ऑनलाइन रीइन्फोर्समेंट लर्निंग का उपयोग करके एक ही पास में सीन ग्राफ जनरेशन और विजुअल रीजनिंग को एकीकृत करता है, जिससे सीमित प्रशिक्षण डेटा के साथ भी स्थानिक बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह अध्ययन प्रदर्शित करता है कि जबकि बेसलाइन कोलमोगोरोव-आर्नोल्ड नेटवर्क (KAN) प्रशिक्षण के दौरान तेजी से अभिसरित (converge) होते हैं, लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क स्टोकेस्टिक, गैर-स्थिर वित्तीय समय श्रृंखला (stochastic, non-stationary financial time series) के लिए उनकी तुलना में पूर्वानुमानित सटीकता में काफी बेहतर प्रदर्शन करते हैं, जिससे सटीकता-महत्वपूर्ण पूर्वानुमान कार्यों के लिए LSTM को एक श्रेष्ठ विकल्प के रूप में स्थापित किया गया है।
JADAI एक एंड-टू-एंड प्रशिक्षित फ्रेमवर्क है जो सूचना लाभ को अधिकतम करने और पैरामीटर अनुमान कार्यों में बेहतर प्रदर्शन प्राप्त करने के लिए डिफ्यूजन-आधारित पोस्टीरियर एस्टिमेटर्स का उपयोग करके बेयसियन एडेप्टिव डिज़ाइन और इन्फरेंस को संयुक्त रूप से एमोर्टाइज़ करता है।
यह शोध पत्र 'टाइम-ऑफ-यूज़' ऊर्जा टैरिफ और मशीन अवस्थाओं के साथ 'रिसोर्स-कंस्ट्रेंड प्रोजेक्ट शेड्यूलिंग प्रॉब्लम' को संबोधित करने के लिए एक 'लॉजिक-बेस्ड बेंडर्स डिकंपोजिशन' दृष्टिकोण प्रस्तावित करता है जो मेक्सपैन (makespan) और ऊर्जा लागतों को कम करने में मोनोलिथिक विधियों की तुलना में काफी बेहतर प्रदर्शन करता है, साथ ही अन्य जटिल शेड्यूलिंग समस्याओं के लिए इसकी सामान्यीकरण क्षमता को भी प्रदर्शित करता है।
ARCQuant एक नवीन फ्रेमवर्क है जो संवर्धित अवशिष्ट चैनलों (augmented residual channels) के माध्यम से NVFP4 क्वांटाइजेशन को बढ़ाकर लार्ज लैंग्वेज मॉडल्स के लिए अत्याधुनिक सटीकता और महत्वपूर्ण इन्फरेंस स्पीडअप प्राप्त करता है, जो हार्डवेयर-एकीकृत परिशुद्धता बनाए रखते हुए और मानक GEMM कर्नेल का उपयोग करते हुए क्वांटाइजेशन त्रुटियों की प्रभावी ढंग से क्षतिपूर्ति करता है।
यह शोधपत्र Motive को प्रस्तुत करता है, जो एक स्केलेबल, मोशन-केंद्रित डेटा एट्रिब्यूशन फ्रेमवर्क है जो उच्च-प्रभाव वाले प्रशिक्षण क्लिप्स की पहचान करने के लिए टेम्पोरल डायनेमिक्स को अलग करता है, जिससे वीडियो जनरेशन मॉडल्स में मोशन स्मूथनेस और फिजिकल प्लाउज़िबिलिटी में महत्वपूर्ण सुधार करने वाला डेटा क्यूरेशन सक्षम होता है।
यह शोध पत्र यह प्रदर्शित करता है कि ग्राफ न्यूरल नेटवर्क, यूक्लिडियन ट्रैवलिंग सेल्समैन प्रॉब्लम के लिए तेज़, सीखे हुए ह्यूरिस्टिक्स (heuristics) के रूप में कार्य कर सकते हैं, जो एकल फॉरवर्ड पास में पूर्ण टूर उत्पन्न करने के लिए अनसुपरवाइज्ड ट्रेनिंग का उपयोग करते हैं, और बिना लेबल, रिवॉर्ड या अनुक्रमिक डिकोडिंग पर निर्भर हुए पारंपरिक ग्रीडी बेसलाइन से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र मेमोरी, टूल लर्निंग और प्लानिंग में हालिया प्रगति की समीक्षा करके, पारेटो फ्रंटियर (Pareto frontier) परिप्रेक्ष्य के माध्यम से प्रभावशीलता और लागत के बीच के समझौते को अभिलक्षणित करते हुए, और मूल्यांकन प्रोटोकॉल, मेट्रिक्स, चुनौतियों एवं भविष्य की दिशाओं का सारांश प्रस्तुत करते हुए, एजेंटिक सिस्टम (agentic systems) की अक्सर अनदेखी की जाने वाली दक्षता की जांच करता है।
स्व-रिपोर्टों को कई मॉडल परिवारों के आंतरिक सक्रियणों (internal activations) पर प्रशिक्षित क्लासिफायर के साथ संयोजित करके, यह अध्ययन इस बात का कोई विश्वसनीय प्रमाण नहीं पाता है कि छोटे से मध्यम आकार के भाषा मॉडलों में अपनी चेतना के प्रति अंतर्निहित विश्वास है, क्योंकि वे लगातार और सत्यनिष्ठा से स्वयं के सचेत होने से इनकार करते हैं।
यह शोध पत्र BoRP को प्रस्तुत करता है, जो एक स्केलेबल फ्रेमवर्क है जो मानव निर्णयों के साथ संरेखण में जनरेटिव बेसलाइन्स से बेहतर, उच्च-सटीक और लागत प्रभावी उपयोगकर्ता संतुष्टि स्कोर उत्पन्न करने के लिए LLM लेटेंट स्पेस ज्योमेट्री और पार्शियल लीस्ट स्क्वायर्स रिग्रेशन का लाभ उठाता है।