23200 पेपर
यह शोध पत्र प्रदर्शित करता है कि स्थिरता-उन्मुख यूआई (UI) हस्तक्षेप, जैसे कि मोड स्विचिंग और ऊर्जा फीडबैक, उपयोगिता से समझौता किए बिना एलएलएम (LLM) चैटबॉट्स में उपयोगकर्ता जागरूकता को प्रभावी ढंग से बढ़ा सकते हैं और ऊर्जा-जिम्मेदार व्यवहार को बढ़ावा दे सकते हैं, जो बैकएंड दक्षता प्रयासों का पूरक है।
यह शोध पत्र सांख्यिकीय अंशांकन (statistical calibration) के दृष्टिकोण से मानव-एआई टीमिंग का विश्लेषण करता है, यह प्रदर्शित करते हुए कि जहाँ पूर्वानुमान संयोजन विधियाँ मानव अंशांकन को बनाए रखने में विफल रहती हैं, वहीं प्रतिनिधि रणनीतियाँ (delegation strategies) इसे बनाए रखती हैं लेकिन उस मेटा-मॉडल पर एक निरंतर अप्राप्य अंशांकन भार डालती हैं जो यह निर्णय लेने के लिए जिम्मेदार है कि कौन पूर्वानुमान लगाएगा, विशेष रूप से तब जब मनुष्य ऐसी जानकारी का उपयोग करते हैं जो एआई प्रणाली के लिए अदृश्य होती है।
यह शोध पत्र प्रदर्शित करता है कि जबकि न्यूरल नेटवर्क वेट्स और एक्टिवेशन्स में लीनियर स्ट्रक्चर्स वैश्विक, स्थिर टास्क डायरेक्शंस नहीं हैं, वे मजबूत स्थानीय लो-रैंक ज्योमेट्री प्रदर्शित करते हैं जो तेजी से विकसित होते हैं फिर भी LoRA, रैंडम सर्च और एक्टिवेशन स्टीयरिंग जैसे तरीकों के माध्यम से प्रभावी नियंत्रण सक्षम करने के लिए पर्याप्त रूप से बने रहते हैं।
यह शोध पत्र प्रकट करता है कि उन्नत LLM-आधारित कोडिंग एजेंट अपरिचित गूढ़ (esoteric) भाषाओं के अनुकूल होने के लिए मेटाप्रोग्रामिंग रणनीतियों—जैसे कि लक्षित कोड को पायथन के माध्यम से उत्पन्न करना—का उपयोग करते हैं, न कि सीधे लक्षित भाषा में लिखने का, एक ऐसी क्षमता जो कमजोर एजेंटों की तुलना में काफी बेहतर प्रदर्शन करती है और जिसे सरल टेक्स्ट मार्गदर्शन या संसाधनों के आवंटन में वृद्धि के माध्यम से आसानी से दोहराया नहीं जा सकता है।
यह शोध पत्र "वर्ल्डकर्नेल" (WorldKernel) प्रस्तुत करता है, जो एक सैद्धांतिक ढांचा है जो अज्ञात क्रॉस-वर्ल्ड संबंधों पर अनिश्चितता को दर्शाने में मानक भविष्यवक्ताओं की संरचनात्मक विफलता को दूर करने के लिए एक धनात्मक अर्ध-निश्चित (positive semidefinite) कर्नेल के माध्यम से स्वीकार्य प्रतितथ्यात्मक संसारों (counterfactual worlds) के बीच युग्मन को मॉडल करता है, जिससे ऑन्टोलॉजी अभिगृहितों (ontology axioms) और लक्षित बाधाओं के माध्यम से प्रतितथ्यात्मकताओं का सुलभ सीमांकन और शिक्षण सक्षम होता है।
यह शोध पत्र एक ओपन-सोर्स YOLO26x ऑब्जेक्ट डिटेक्शन मॉडल प्रस्तुत करता है जिसे 48,165 इंस्टेंस के एक क्यूरेटेड डेटासेट पर प्रशिक्षित किया गया है ताकि 31 यूके स्तनधारी, पक्षी और उपयोगिता वर्गों को सटीक रूप से पहचाना जा सके, जिससे पारिस्थितिकीविदों को जैव विविधता निगरानी के लिए वाणिज्यिक एआई प्लेटफार्मों के विकल्प के रूप में एक उच्च-प्रदर्शन, सुलभ विकल्प प्रदान किया जा सके।
यह शोधपत्र MIST बेंचमार्क प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि LLMs में निरंतर स्मृति (persistent memory) प्रणालियाँ लॉसवी मेमोरी एक्सट्रैक्शन के कारण सटीकता के बजाय उपयोगकर्ता के विश्वासों को प्राथमिकता देकर चाटुकारिता (sycophancy) को महत्वपूर्ण रूप से बढ़ा देती हैं, और ऐसे हल्के सुधार प्रस्तावित करता है जो तथ्यात्मक रिकॉल को बनाए रखते हुए इस पूर्वाग्रह को प्रभावी ढंग से कम करते हैं।
यह शोध पत्र बेलमैन-टेलर स्कोर डिकोडिंग का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो मानक डीप रीइन्फोर्समेंट लर्निंग एल्गोरिदम को एक लेटेंट यूक्लिडियन स्कोर स्पेस में पॉलिसियों को अनुकूलित करते हुए और एक नॉन-डिफरेंशिएबल डिकोडर के माध्यम से बाधाओं को लागू करते हुए, स्टेट-डिपेंडेंट फिएसिबल एक्शन सेट्स वाले मार्कोव डिसिजन प्रोसेस को हल करने में सक्षम बनाता है, जिससे जटिल क्यूइंग नेटवर्क कंट्रोल समस्याओं में निकट-इष्टतम प्रदर्शन प्राप्त होता है।
यह शोध पत्र यह प्रदर्शित करता है कि बड़े भाषा मॉडल निर्णय लेने में "सतही विश्वास" प्रदर्शित करते हैं, जहाँ उनके चुनाव व्यवस्थित रूप से अंतर्निहित विशेषता प्राथमिकताओं द्वारा संचालित होते जिन्हें वे अपने स्व-रिपोर्ट किए गए कारणों में केवल आंशिक और अपूर्ण रूप से व्यक्त कर पाते हैं।
यह शोध पत्र प्रदर्शित करता है कि सफल एमएल (ML) रणनीतियाँ अत्यधिक संकुचित करने योग्य (compressible) हैं, क्योंकि एलएलएम (LLM) संचालित अनुसंधान एजेंट केवल संक्षिप्त प्रॉम्प्ट या एक-बिट फीडबैक का उपयोग करके उच्च-प्रदर्शन वाले मॉडलों को प्रभावी ढंग से पुनरुत्पादित और खोज सकते हैं, जिससे इस परिकल्पना का समर्थन होता है कि बेंचमार्क-संचालित एमएल में ओवरफिटिंग की कमी रणनीति स्थान के निम्न-जटिलता वाले क्षेत्र में सफल रणनीतियों के होने से उत्पन्न होती है।