21138 पेपर
यह शोधपत्र Raven-Agent को प्रस्तुत करता है, जो प्रेडिक्शन मार्केट्स (prediction markets) के लिए पहला स्वायत्त ट्रेडिंग एजेंट है, जो आर्काइव किए गए निर्णय डेटा पर सकारात्मक रिटर्न प्राप्त करने के लिए कैलिब्रेटेड पूर्वानुमान और लाभदायक ट्रेडिंग के बीच के अंतर को पाटकर मौजूदा नीतियों से बेहतर प्रदर्शन करता है।
ओम्नीफोकस (OmniFocus) एक प्रशिक्षण-मुक्त, क्वेरी-निर्देशित टोकन संपीड़न विधि है जो ओम्नी-मोडल लार्ज लैंग्वेज मॉडल्स के लिए ऑडियो और वीडियो टोकन के महत्व का स्वतंत्र रूप से आकलन करके मोडैलिटी-सिमेट्रिक संपीड़न प्राप्त करती है, जिससे क्रॉस-मोडल संरेखण को बनाए रखते हुए और सटीकता-दक्षता ट्रेड-ऑफ में मौजूदा बेसलाइनों से बेहतर प्रदर्शन करते हुए अनुमान लागत को कम किया जाता है।
STELLA एक कुशल ऑन-डिवाइस ह्यूमन एक्टिविटी रिकग्निशन फ्रेमवर्क है जो कच्चे सेंसर डेटा को एक फ्रोजन LLM के लिए कॉम्पैक्ट लेटेंट टोकन में संकुचित करके अत्याधुनिक प्रदर्शन और गोपनीयता-संरक्षित वैयक्तिकरण प्राप्त करता है, जिससे अनुकूलन का बोझ मॉडल से हटाकर एक हल्के, उपयोगकर्ता-विशिष्ट टोकेनाइज़र पर स्थानांतरित कर दिया जाता है।
यह शोध पत्र सिलिकॉन सैंपलिंग (silicon sampling) के लिए एक कठोर मूल्यांकन ढांचे के रूप में "क्रॉस-सर्वे ट्रांसफर" (cross-survey transfer) को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models) अनदेखी मदों (unseen items) पर 52% सटीकता के साथ व्यक्तिगत सर्वेक्षण प्रतिक्रियाओं की भविष्यवाणी कर सकते हैं—जो लगभग सुपरवाइज्ड बेसलाइन्स (supervised baselines) के बराबर है—जबकि निर्माण पूर्वानुमेयता (construct predictability) के एक स्थिर पदानुक्रम और वेरिएंस कोलैप्स (variance collapse) एवं सुरक्षा संरेखण (safety alignment) के संबंध में सूक्ष्म सीमाओं को भी उजागर करता है।
यह शोध पत्र "प्रोएक्टिव थिंकिंग" (Proactive Thinking) का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो लार्ज लैंग्वेज मॉडल्स को बातचीत के अंतराल के दौरान संभावित प्रतिक्रियाओं को पूर्व-गणना करने में सक्षम बनाता है, जिससे प्रदर्शन से समझौता किए बिना विलंबता (latency) को काफी कम किया जा सकता है और संवाद की तरलता में सुधार किया जा सकता है।
यह शोध पत्र टेक्स्ट ऐज़ पार्शियल कंस्ट्रेंट (TPC) का प्रस्ताव करता है, जो एक कोर-रेसिड्यूअल अलाइनमेंट फ्रेमवर्क है जो मल्टी-व्यू कैप्शन को अधूरे पर्यवेक्षण के रूप में मानता है ताकि एक सर्वसम्मत अर्थपूर्ण कोर को आसवित (distill) किया जा सके और अनकहे रेसिड्यूल्स पर निर्भरता को स्पष्ट रूप से हतोत्साहित किया जा सके, जिससे अपर्याप्त भाषाई पर्यवेक्षण के तहत सुदृढ़ और विश्वसनीय विजन-लैंग्वेज रिप्रजेंटेशन प्राप्त किया जा सके।
CuBAS एक सूचनात्मक-ज्यामितीय (information-geometric) अनुकूली नमूनाकरण ढांचा है जो पर्यवेक्षित वर्गीकरण (supervised classification) के लिए पॉट्स मार्कोव रैंडम फील्ड मॉडल से प्राप्त स्थानीय वक्रता (local curvature) का लाभ उठाकर समरूप और सीमा-सूचनात्मक डेटा बिंदुओं दोनों की पहचान और चयन करता है, जिससे मौजूदा विधियों की तुलना में विविध डेटासेट पर बेहतर प्रदर्शन और दक्षता प्राप्त होती है।
यह शोध पत्र APeB को प्रस्तुत करता है, जो कच्चे (raw), अपूर्ण रूप से निर्दिष्ट प्रश्नों को संभालने में LLM एजेंटों की वैयक्तिकरण क्षमताओं का मूल्यांकन करने के लिए एक बेंचमार्क है, जो यह प्रकट करता है कि वर्तमान मॉडल अप्रभावी इतिहास उपयोग के कारण इरादे के अनुमान (intent inference) में संघर्ष करते हैं और यह प्रदर्शित करता है कि एक समर्पित क्वेरी-रिफाइनमेंट पाइपलाइन प्रदर्शन में महत्वपूर्ण सुधार करती है।
यह शोध पत्र यह प्रकट करता है कि विकेंद्रीकृत फेडरेटेड लर्निंग नेटवर्क में संरचनात्मक और अस्थायी विषमताएं इस प्रक्रिया को एक 'लेज़ी रैंडम-वॉक डिफ्यूजन' (lazy random-walk diffusion) के रूप में मैप करके मॉडल अभिसरण (convergence) को महत्वपूर्ण रूप से धीमा कर देती हैं, जिससे उन विशिष्ट प्रयोगात्मक परिदृश्यों में अभिसरण की अवास्तविक गति उजागर होती है जो इन नेटवर्क गतिकी की अनदेखी करते हैं।
यह अनुभवजन्य अध्ययन प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) सॉफ्टवेयर विविधता के एक स्केलेबल और कम लागत वाले स्रोत के रूप में कार्य कर सकते हैं, जहाँ LLM-जनित प्रोग्रामों को—विशेष रूप से विभिन्न मॉडलों, सेटिंग्स और भाषाओं के विषम विन्यास (heterogeneous configurations) में संयोजित करना—कॉमन-मोड विफलताओं (common-mode failures) को कम करके सिस्टम की विश्वसनीयता में प्रभावी रूप से सुधार करता है।