22563 पेपर
यह शोध पत्र प्रदर्शित करता है कि इन-कॉन्टेक्स्ट लर्निंग को सैकड़ों उदाहरणों तक स्केल करना लार्ज लैंग्वेज मॉडल्स को नेमड एंटिटी रिकग्निशन (NER) में पूर्णतः सुपरवाइज्ड BERT के प्रदर्शन के बराबर या उससे बेहतर बनाने में सक्षम बनाता है, जबकि यह एक प्रभावी डेटा एनोटेशन फ्रेमवर्क के रूप में भी कार्य करता है जो लो-रिसोर्स NER मॉडल्स में महत्वपूर्ण सुधार करता है।
यह शोध पत्र ARTS को प्रस्तुत करता है, जो एक एजेंटिक रीजनिंग फ्रेमवर्क है जो दोषपूर्ण परिकल्पनाओं और निष्पादन त्रुटियों के बीच अंतर करने के लिए एक लैंग्वेज मॉडल का लाभ उठाता है और संदर्भ सीमाओं को दूर करने के लिए टेस्ट-टाइम ट्रेनिंग का उपयोग करता है, जिससे यह वैज्ञानिक खोज कार्यों में अग्रणी सर्च एल्गोरिदम से बेहतर प्रदर्शन करता है और काफी कम इन्फरेंस लागत के साथ फ्रंटियर मॉडल्स के बराबर प्रदर्शन करता है।
2026 में शोधकर्ताओं और उद्योग विशेषज्ञों के साथ की गई गोलमेज चर्चाओं के आधार पर, यह शोध पत्र भविष्य के सॉफ्टवेयर इंजीनियरों के लिए विकसित हो रहे मुख्य कौशल की पहचान करता है, जो कोडिंग एजेंटों द्वारा कार्यान्वयन कार्यों को संभालने के साथ सत्यापन (verification) और पुष्टिकरण (validation) के बढ़ते महत्व पर जोर देता है।
यह शोध पत्र लेटेंट कॉन्फिडेंस अलाइनमेंट एरर (LCAE) का प्रस्ताव करता है, जो एक राश मॉडल-आधारित ढांचा है जो आइटम कठिनाई और लेटेंट क्षमता को ध्यान में रखते हुए LLM स्व-आकलन का मूल्यांकन करता है, जो चिकित्सा-डोमेन कार्यों में बेहतर अंशांकन गुणवत्ता और विश्वसनीयता एवं अनुमान लागत के बीच एक संबंध प्रदर्शित करता है।
यह सर्वेक्षण एल्गोरिदम डिज़ाइन को MDP निर्माण, अन्वेषण और शिक्षण चरणों में वर्गीकृत करके LLMs में सुदृढीकरण अधिगम (Reinforcement Learning) के लिए एक मॉड्यूलर ढांचा प्रस्तुत करता है, जो क्रिटिक-मुक्त पॉलिसी ग्रेडिएंट्स और मोंटे कार्लो विधियों की ओर एक महत्वपूर्ण अनुसंधान पूर्वाग्रह को प्रकट करता है, जबकि वैल्यू-आधारित, ऑफ-पॉलिसी और बूटस्ट्रैपिंग तकनीकों में अनछुए अवसरों को उजागर करता है।
यह शोध पत्र ScalePredictor प्रस्तुत करता है, जो विजन ट्रांसफॉर्मर्स के लिए एक गतिशील पोस्ट-ट्रेनिंग क्वांटाइजेशन फ्रेमवर्क है, जो शैलो-लेयर एक्टिवेशन रेंज और डीपर-लेयर ऑप्टिमल स्केल्स के बीच एक छिपे हुए सहसंबंध का लाभ उठाता है ताकि कुशलतापूर्वक इंस्टेंस-अवेयर क्वांटाइजेशन पैरामीटर्स उत्पन्न किए जा सकें, जिससे न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ स्टैटिक विधियों की तुलना में सटीकता में उल्लेखनीय सुधार होता है।
होम्स (Holmes) एक मल्टी-एजेंट सिस्टम है जो मल्टीमॉडल रनटाइम सिग्नल्स को संश्लेषित करके पुनरुत्पादन (reproduction) के बिना विफलता संदर्भों को पुनर्गठित करता है, जिससे अल्ट्रा-लार्ज-स्केल एप्लिकेशन्स में मिश्रित-भाषा वाले मोबाइल क्रैश के लिए रूट कॉज़ एनालिसिस को स्वचालित किया जाता है, और वास्तविक दुनिया के वीचैट (WeChat) डेटा पर 87.6% फॉल्ट लोकलाइजेशन सटीकता प्राप्त करते हुए जांच के समय को 98% से अधिक कम करता है।
यह शोध पत्र 50 प्रोजेक्ट यूलर समस्याओं पर 26 एआई मॉडलों द्वारा किए गए 3,840 प्रयासों का विश्लेषण करता है ताकि यह प्रदर्शित किया जा सके कि मशीन प्रयास मानव कठिनाई के साथ उप-रैखिक (sub-linearly) रूप से स्केल करता है (जो बदतर स्केलिंग की भविष्यवाणियों का खंडन करता है) जबकि सफलता की संभावना एक घातांकीय क्षय मॉडल (exponential decay model) का अनुसरण करती है, जो अंततः अत्याधुनिक प्रदर्शन क्षितिज के लिए 75-दिवसीय दोहरीकरण समय का अनुमान लगाता है।
SPOTR एक नवीन स्व-पर्यवेक्षित शिक्षण (self-supervised learning) ढांचा है जो विविध शारीरिक संकेतों को पुनर्निर्माण के लिए एकल-टोकन प्रतिनिधित्व में संकुचित करने हेतु स्थानिक-कालिक पूलिंग (spatio-temporal pooling) का उपयोग करता है, जिससे मौजूदा विधियों की तुलना में गणना संबंधी लागतों को काफी कम करते हुए कई मोडैलिटीज में बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र प्रदर्शित करता है कि स्पष्ट क्वांटम सर्किट सिमुलेशन ट्रेसेस पर, विशेष रूप से सुपरवाइज्ड फाइन-ट्यूनिंग और ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन के संयोजन के माध्यम से, बड़े भाषा मॉडलों को फाइन-ट्यून करना प्रभावी रूप से वास्तविक क्वांटम तर्क क्षमताओं को स्थापित करता है जो सटीकता और बड़े क्यूबिट सिस्टम में सामान्यीकरण दोनों में बेसलाइन मॉडलों की तुलना में काफी बेहतर प्रदर्शन करते हैं।