19893 पेपर
यह अध्ययन 2,300 GitHub रिपॉजिटरीज़ में एजेंट-जनरेटेड 25,000 से अधिक पुल रिक्वेस्ट्स का विश्लेषण करता है ताकि यह प्रकट किया जा सके कि जहाँ एजेंटिक कोडिंग टूल्स का गहन उपयोग परियोजनाओं के एक छोटे उपसमुच्चय (subset) में केंद्रित बना हुआ है, वहीं सफल एकीकरण काफी हद तक एकल-मानव निरीक्षण मॉडलों पर निर्भर करता है और परियोजना के आकार एवं उत्पादकता के आधार पर महत्वपूर्ण रूप से भिन्न होता है।
यह शोध पत्र एक एआई-त्वरित एंड-टू-एंड फ्रेमवर्क पेश करता है जो ज्ञान प्राप्ति और वितरण के पांच प्रमुख चरणों को अनुकूलित करके पेशेवर अपस्किलिंग के लिए आवश्यक समय को काफी कम कर देता है, एक ऐसी प्रणाली जिसे नियामक अनुमोदन, एजेंटिक एआई में शिक्षार्थियों के सफल तीव्र प्रमाणन और मल्टी-एजेंट सिस्टम के लिए एक व्यापक जोखिम डेटासेट के निर्माण के माध्यम से प्रमाणित किया गया है।
यह शोध पत्र "डीप इंटरेक्शन" (Deep Interaction) को प्रस्तुत करता है, जो एक कुशल मानव-AI इंटरेक्शन विधि है जो उपयोगकर्ताओं को लार्ज लैंग्वेज मॉडल्स में त्रुटिपूर्ण तर्क चरणों को सीधे संपादित करने और सुधारा गया 'चेन-ऑफ-थॉट' (Chain-of-Thought) को एक प्रॉम्प्ट में संकलित करने की अनुमति देता है, जिसके परिणामस्वरूप बेसलाइन दृष्टिकोणों की तुलना में सुधार सफलता दर में 25% की वृद्धि और टोकन में 40% की कमी आती है।
यह शोध पत्र प्रोफेटिकस (Propheticus) को प्रस्तुत करता है, जो एक मशीन लर्निंग फ्रेमवर्क है जिसे जटिलता को कम करके और वर्कफ़्लो को सुव्यवस्थित करके विश्वसनीय और सुरक्षित सॉफ़्टवेयर के लिए भविष्य कहनेवाला मॉडल (predictive models) विकसित करने की प्रक्रिया को सरल बनाने के लिए डिज़ाइन किया गया है, जैसा कि भेद्यता (vulnerability) और ऑनलाइन विफलता भविष्यवाणी के केस स्टडीज के माध्यम से प्रदर्शित किया गया है।
यह शोध पत्र चार गेम थ्योरी परिदृश्यों में GPT-3.5, GPT-4 और LLaMa-2 की रणनीतिक निर्णय लेने की क्षमताओं का मूल्यांकन करता है, जिससे यह पता चलता है कि जहाँ GPT-3.5 संदर्भ संबंधी फ्रेमिंग के प्रति अत्यधिक संवेदनशील है लेकिन इसमें अमूर्त तर्क का अभाव है, वहीं GPT-4 और LLaMa-2 दोनों गेम संरचनाओं के अनुकूल होते हैं, जिसमें LLaMa-2 अंतर्निहित तंत्र की बेहतर समझ प्रदर्शित करता है, जिससे मॉडलों की विविध दक्षता और जटिल रणनीतिक कार्यों में उनकी वर्तमान सीमाओं पर प्रकाश पड़ता है।
यह अध्ययन प्रकट करता है कि जहाँ द्विदिश (bidirectional) BERT मॉडल उस "रिवर्सल कर्से" (Reversal Curse) से मुक्त हैं जो सममित तार्किक अनुमान (symmetric logical deduction) में ऑटो-रिग्रेसिव GPT मॉडलों को बाधित करता है, वहीं दोनों आर्किटेक्चर जटिल मल्टी-सेट निगमनात्मक तर्क (complex multi-set deductive reasoning) के साथ संघर्ष करते हैं, जो यह सुझाव देता है कि मॉडल का चयन बायोमेडिकल नॉलेज ग्राफ निर्माण जैसे कार्यों की विशिष्ट तार्किक मांगों के अनुरूप तैयार किया जाना चाहिए।
यह शोध पत्र तर्क देता है कि चैटजीपीटी (ChatGPT) जैसे बड़े भाषा मॉडलों का पूर्वाग्रह, विषाक्तता और अविश्वसनीयता मुख्य रूप से मॉडल आर्किटेक्चर के बजाय गैर-विविध प्रशिक्षण डेटा से उत्पन्न होती है, जिसके लिए सामाजिक नुकसान को कम करने और न्यायसंगत एआई (AI) तैनाती सुनिश्चित करने हेतु अंतर-विषयक सहयोग और सुदृढ़ शासन ढांचे की आवश्यकता है।
यह शोध पत्र काल्पनिक कहानी के निरंतरता (कंटिन्यूएशन) से व्याख्यात्मक विशेषताओं को निकालने के लिए लार्ज लैंग्वेज मॉडल्स का उपयोग करने वाला एक जनरेटिव फ्रेमवर्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि ये LLM-व्युत्पन्न अपेक्षाएं मानव विश्वासों और वास्तविक कथा परिणामों दोनों की प्रभावी ढंग से भविष्यवाणी करती हैं और साथ ही पाठक की सहभागिता (एंगेजमेंट) के साथ महत्वपूर्ण रूप से सह-संबंधित हैं।
यह शोध पत्र वॉइस यूजर इंटरफेस के लिए एक "मेटाफर-फ्लुइड डिज़ाइन" (रूपक-प्रवाहपूर्ण डिज़ाइन) दृष्टिकोण का प्रस्ताव करता है और उसे प्रमाणित करता है जो विशिष्ट संवादात्मक संदर्भों के अनुसार रूपक संबंधी प्रस्तुतियों को गतिशील रूप से अनुकूलित करता है, और यह प्रदर्शित करता है कि इस प्रकार की तरलता स्थिर, एक-समान डिज़ाइनों की तुलना में उपयोगकर्ता द्वारा अपनाए जाने, आनंद और पसंद के स्तर को महत्वपूर्ण रूप से बढ़ाती है।
यह शोधपत्र एक अनुपालन-भारित (compliance-weighted) फेडेरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो संस्थागत अनुपालन स्कोर के अनुसार डिफरेंशियल प्राइवेसी शोर आवंटन (noise allocation) को अनुकूलित करता है, जिससे कम-अनुपालन वाले स्वास्थ्य सेवा संस्थानों को समग्र मॉडल प्रदर्शन को कम किए बिना या उपयोगिता दंड (utility penalties) का सामना किए बिना सहयोगात्मक एआई प्रशिक्षण में भाग लेने में सक्षम बनाया जा सके।