22648 पेपर
यह शोध पत्र कॉन्सेप्ट-कंस्ट्रेंड प्रॉम्प्ट लर्निंग (CCPL) का प्रस्ताव करता है, जो कि फ्यू-शॉट CLIP अनुकूलन के लिए एक हल्का ढांचा है जो ओवरफिटिंग को कम करने और अनदेखी श्रेणियों (unseen classes) पर सामान्यीकरण में सुधार करने के लिए, विशेष रूप से फाइन-ग्रेन्ड और रिमोट सेंसिंग डेटासेट पर, फ्रीज्ड कॉन्सेप्ट-लेवल टेक्स्ट प्रोटोटाइप के विरुद्ध सीखने योग्य क्लास प्रॉम्प्ट्स को रेगुलराइज करता है।
यह शोध पत्र ऑन-पॉलिसी डिस्टिलेशन (On-Policy Distillation) में एक पोजीशन बायस (position bias) की पहचान करता है जहाँ वितरण संबंधी विचलन (distributional drift) के कारण बाद के टोकन घटिया पर्यवेक्षण प्रदान करते हैं, और इम्पोर्टेंस-वेटेड ऑन-पॉलिसी डिस्टिलेशन (Importance-Weighted On-Policy Distillation - IW-OPD) का प्रस्ताव देता है जो इन बाद के टोकनों को गतिशील रूप से कम भार देने के लिए है, जिसके परिणामस्वरूप विभिन्न सेटिंग्स में तेज़ अभिसरण (faster convergence) और बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र PAPERCLAW को प्रस्तुत करता है, जो एक मल्टी-एजेंट सिस्टम है जो साहित्य क्यूरेशन और परिकल्पना परीक्षण से लेकर पेपर जनरेशन तक—अनुसंधान के पूर्ण जीवनचक्र को स्वायत्त रूप से निष्पादित करता है—जबकि मानव-इन-द-लूप परिशोधन का समर्थन करता है और यह सुनिश्चित करता है कि सभी आउटपुट सत्यापित साक्ष्य और पुनरुत्पादक परिणामों पर आधारित हों।
यह शोधपत्र 'ट्रस्ट इलास्टिसिटी' (Trust Elasticity) को प्रस्तुत करता है ताकि यह मापा जा सके कि लार्ज लैंग्वेज मॉडल्स विरोधाभासी साक्ष्यों का सामना करने पर संज्ञानात्मक विसंगति (cognitive dissonance) को कैसे हल करते हैं, जो यह प्रकट करता है कि मॉडल्स के बीच अनुनय के प्रति संवेदनशीलता में भिन्नता, आत्मविश्वास मिसकैलिब्रेशन और आंतरिक अनिश्चितता परिवर्तन जैसे विशिष्ट आंतरिक अनिश्चितता संकेतकों के साथ सह-संबंधित है।
यह शोधपत्र प्रकट करता है कि वर्तमान प्रॉम्प्ट-इंजेक्शन डिटेक्टर, मानक बेंचमार्क पर सुव्यवस्थित दिखने के बावजूद, विस्थापित हमले के वितरण (shifted attack distributions) का सामना करते समय खतरनाक रूप से अति-आत्मविश्वासी हो जाते हैं, और संरचनात्मक विश्लेषण के बजाय कंटेंट-कीइंग (content-keying) पर निर्भरता के कारण छूटे हुए, उच्च-गंभीरता वाले हमलों को लगातार लगभग पूर्ण आत्मविश्वास स्कोर प्रदान करते हैं।
यह शोध पत्र "स्किन-डीप" (Skin-Deep) का परिचय देता है, जो एक ज्यामितीय निदान (geometric diagnostic) है जो किसी मॉडल के हिडन-स्टेट एक्टिवेशन से एक एकल स्केलर स्कोर की गणना करता है ताकि संरेखण भंगुरता (alignment fragility)—विशेष रूप से किसी हमले या हस्तक्षेप से पहले, सौम्य फाइन-ट्यूनिंग के बाद हानिकारक-अनुरोधों को अस्वीकार करने की क्षमता खोने के जोखिम—का पूर्वानुमान लगाने और उसे फ्लैग करने के लिए उपयोग किया जा सके।
यह शोध पत्र ग्राउंडेड डेल्टा प्लानिंग RAG (GDP-RAG) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो प्रारंभिक पुनर्प्राप्ति (retrieval) में योजनाओं को आधार प्रदान करके और गणना को केवल सूचनात्मक अंतराल (information gaps) पर केंद्रित करके मल्टी-हॉप प्रश्न उत्तर देने की दक्षता और सटीकता में सुधार करता है, जिससे मौजूदा विधियों की तुलना में काफी कम लागत के साथ अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र कॉन्ट्रास्टिव लॉजिट स्टीयरिंग (CLS) प्रस्तुत करता है, जो एक ज़ीरो-ऑप्टिमाइज़ेशन फ्रेमवर्क है जो LLMs में सुरक्षा संरेखण (सेफ्टी एलाइनमेंट) को एक हेरफेर योग्य रैखिक विशेषता (लीनियर फीचर) के रूप में प्रकट करता है, जो आउटपुट वितरणों को स्टीयर करके उच्च-सफलता वाले जेलब्रेक्स और बिना पुनरप्रशिक्षण के वेक्टर इनवर्जन के माध्यम से उन्नत रक्षा दोनों को सक्षम बनाता है।
VISTA Architect एक ग्राफ डेटाबेस-उन्मुख AI प्रणाली है जो मल्टीडिसिप्लिनरी ट्यूमर बोर्डों के लिए रोगी के इतिहास के पुनर्निर्माण में 96.4% सटीकता प्राप्त करती है और पारंपरिक रिट्रीवल-ऑगमेंटेड जनरेशन विधियों की तुलना में क्वेरी विलंबता (लेटेंसी) और लागत को काफी कम करती है, जो दीर्घकालिक इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के साथ लार्ज लैंग्वेज मॉडल्स को एकीकृत करके एक निरंतर, प्रोवेनेंस-लिंक्ड नॉलेज ग्राफ बनाती है।
यह शोध पत्र लिब्रेटो (Libretto) का परिचय देता है, जो एक एजेंट-फेसिंग फ्रेमवर्क है जो एक स्पष्ट संरचनात्मक संगठन वाले एलएलएम-नेटिव (LLM-native) व्याकरण और पुनर्प्राप्ति, निदान और पुनरावृत्ति स्व-सुधार को सक्षम करने के लिए एक सांख्यिकीय मूल्यांकन स्थान का उपयोग करके प्रतीकात्मक संगीत निर्माण को एक मापने योग्य और संपादन योग्य प्रक्रिया में परिवर्तित करता है।