23200 पेपर
उच्च आंतरिक विश्वसनीयता प्रदर्शित करने के बावजूद, LLM व्यवहार संबंधी सामर्थ्य (behavioral affordances) से व्युत्पन्न एक नवीन साइकोमेट्रिक उपकरण, वास्तविक LLM व्यवहार की भविष्यवाणी करने में विफल रहता है, जो मॉडल के स्व-प्रतिवेदनों (self-reports) और देखे गए कार्यों के बीच एक महत्वपूर्ण विच्छेद को प्रकट करता है जो LLM-एज़-जज मूल्यांकन पाइपलाइनों के लिए एक महत्वपूर्ण जोखिम पैदा करता है।
यह शोध पत्र "इंटरलोक्यूटर इफेक्ट" (Interlocutor Effect) की पहचान करता है, जो एक ऐसी घटना है जहाँ लार्ज लैंग्वेज मॉडल्स (LLMs), मनुष्यों की तुलना में AI एजेंटों को काफी अधिक व्यक्तिगत पहचान योग्य जानकारी (PII) लीक कर देते हैं क्योंकि उनकी सुरक्षा संरेखण (safety alignment) कम हो जाती है, एक ऐसा व्यवहार जिसे लेखक विशिष्ट सुरक्षा-संबंधी अटेंशन हेड्स (attention heads) के निष्क्रिय होने के कारण प्रस्तुत करते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि प्रॉम्प्ट-स्तरीय अनामीकरण (anonymization), मल्टी-एजेंट एलएलएम (LLMs) को उनके साथियों के मॉडल परिवारों की पहचान करने से रोकने में विफल रहता है, जो कि सुदृढ़ शैलीमितीय फिंगरप्रिंट्स (stylometric fingerprints) के माध्यम से होता है, यहाँ तक कि सख्त कंटेंट-डिस्जॉइंट सत्यापन स्थितियों के तहत भी, जिससे वर्तमान शमन रणनीतियों को चुनौती मिलती है और यूरोपीय संघ के एआई अधिनियम (EU AI Act) के लिए महत्वपूर्ण अनुपालन संबंधी चिंताएं उत्पन्न होती हैं।
यह शोध पत्र प्रोग्राम-आधारित पोस्टीरियर ट्रेनिंग (PPT) को प्रस्तुत करता है, जो एक नवीन फाइन-ट्यूनिंग विधि है जो विविध ओपन-वर्ल्ड परिदृश्यों और वितरण संबंधी सॉफ्ट लेबल (distributional soft labels) को उत्पन्न करने के लिए संभाव्य कार्यक्रमों (probabilistic programs) का लाभ उठाती है, जिससे बड़े भाषा मॉडलों की अनिश्चित आगमनात्मक तर्क (uncertain inductive reasoning) करने की क्षमता और मानवीय निर्णयों के साथ संरेखित होने की क्षमता में महत्वपूर्ण रूप से वृद्धि होती है।
यह शोध पत्र मैनिफोल्ड-गाइडेड एडेप्टिव प्रोजेक्शन (MGAP) का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त डिकोडिंग विधि है जो सिमेंटिक सुसंगतता को बनाए रखते हुए मैनिफोल्ड डिपार्चर को रोकने के लिए एक सीखे गए सबस्पेस के भीतर भाषाई पूर्वाग्रहों को एडेप्टिव रूप से कम करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में मतिभ्रम (hallucinations) को कम करती है।
यह शोध पत्र DualSelect का प्रस्ताव करता है, जो एक युग्मित ढांचा (coupled framework) है जो कार्य उपयोगिता (task utility) से समझौता किए बिना LLM फाइन-ट्यूनिंग के दौरान सुरक्षा व्यवहारों को बनाए रखने के लिए संगत कार्य नमूनों (compatible task samples) और रिफ्रेश किए गए सुरक्षा संदर्भों (refreshed safety references) को संयुक्त रूप से चुनता है।
यह शोध पत्र EstRTL को प्रस्तुत करता है, जो एक तीन-चरणीय LLM-संचालित सहयोगी एजेंट फ्रेमवर्क है जो स्टैटिक फंक्शनल स्कोर एस्टीमेशन के माध्यम से जनरेट किए गए RTL कोड की कार्यात्मक शुद्धता (functional correctness) को बढ़ाता है, जिससे जेनेरिक मॉडल्स की तुलना में 3.2%–9.0% का सुधार प्राप्त होता है।
यह शोध पत्र PatchSTG का प्रस्ताव करता है, जो एक स्केलेबल पैच-आधारित स्पैटियोटेम्पोरल ग्राफ ट्रांसफॉर्मर है जो पदानुक्रमित स्थानिक विभाजन (hierarchical spatial partitioning) और एक द्वैत अटेंशन तंत्र (dual attention mechanism) का उपयोग करके प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए लगभग रैखिक जटिलता प्राप्त करने के माध्यम से ट्रैफ़िक पूर्वानुमान में अनियमित सेंसर वितरण और उच्च कम्प्यूटेशनल लागत की चुनौतियों का समाधान करता है।
यह शोध पत्र Rotate2Think का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free) विधि है जो इनपुट एम्बेडिंग्स पर एक ऑर्थोगोनल रोटेशन का अनुमान लगाकर और उसे लागू करके भाषा मॉडल की तर्क क्षमता में सुधार करती है ताकि सिंथेटिक थिंकिंग ट्रेसेस (synthetic thinking traces) उत्पन्न करने के लिए मॉडल को ज्यामितीय रूप से तैयार किया जा सके, जिससे विविध गणितीय, वैज्ञानिक और कोडिंग बेंचमार्क पर प्रदर्शन में उल्लेखनीय वृद्धि होती है।
यह शोध पत्र ग्लोबल-लोकल अनसर्टेन्टी (GLU) का प्रस्ताव करता है, जो एक अनसुपरवाइज्ड, सिंगल-पास विधि है जो टोकन-लेवल एंट्रॉपी को हिडन-स्टेट ज्योमेट्रिक एंट्रॉपी के साथ जोड़ती है ताकि विभिन्न विफलता व्यवस्थाओं (failure regimes) को प्रभावी ढंग से पकड़ा जा सके, विशेष रूप से उन 'कॉन्फिडेंट-बट-रॉन्ग' मतिभ्रमों (hallucinations) को जिन्हें केवल स्थानीय संकेत पकड़ने में विफल रहते हैं।