23200 पेपर
यह शोध पत्र CIAware-Bench प्रस्तुत करता है, जो एक व्यापक बेंचमार्क है जिसमें चार कार्य डोमेन शामिल हैं ताकि यह मूल्यांकन किया जा सके कि सीमावर्ती (फ्रंटियर) लार्ज लैंग्वेज मॉडल्स अपने निष्पादन प्रक्षेपवक्र (एग्जीक्यूशन ट्रेजेक्टरीज़) में नियंत्रण हस्तक्षेपों का पता लगाने में किस हद तक सक्षम हैं, जिससे यह पता चलता है कि ऐसी जागरूकता मॉडलों और परिदृश्यों के बीच काफी भिन्न होती है न कि एक स्थिर गुण है।
यह शोधपत्र T1-Bench प्रस्तुत करता है, जो एक उच्च-सटीक (high-fidelity) बेंचमार्क है जिसे जटिल, बहु-चरणीय और इंटरलीव्ड परिदृश्यों के माध्यम से मौजूदा बेंचमार्क की सीमाओं को संबोधित करते हुए, निरंतर तर्क और समन्वय की आवश्यकता वाले 25 विविध वास्तविक दुनिया के डोमेन में एजेंटिक प्रणालियों का मूल्यांकन करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में स्पष्ट व्यक्तित्व अनुकूलन (personality conditioning) के लिए एक व्यवस्थित ढांचे को प्रस्तुत करता है, जो यह प्रकट करता है कि जबकि व्यक्तित्व प्रेरण (personality induction) इमेज कैप्शनिंग को बेहतर बनाता है, यह तर्क संबंधी कार्यों (reasoning tasks) को बाधित कर सकता है और मल्टी-ट्रे़ट संरचना तथा गतिशील स्विचिंग के दौरान जटिल संतुलन और अवशिष्ट प्रभाव प्रदर्शित करता है, जिससे मजबूत, अनुकूलित प्रेरण विधियों की आवश्यकता पर बल मिलता है।
यह शोध पत्र GASLoC को प्रस्तुत करता है, जो एक नवीन विकेंद्रीकृत प्री-ट्रेनिंग एल्गोरिदम है जो बैंडविड्थ और विषमता (heterogeneity) की बाधाओं को दूर करने के लिए स्थानीय अपडेट को स्पार्स, गॉसिप-आधारित पीयर कम्युनिकेशन के साथ एकीकृत करता है, जिससे होमोजेनियस और हेट्रोजेनियस दोनों नेटवर्क सेटिंग्स में DiLoCo जैसे अत्याधुनिक दृष्टिकोणों के साथ प्रतिस्पर्धी या उससे बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र तर्क देता है कि समाचार कक्षों में वर्तमान एआई प्रकटीकरण प्रथाएं पत्रकारिता संबंधी इरादों और उपयोगकर्ता की आवश्यकताओं के बीच विच्छेद के कारण पाठक का विश्वास बनाने में विफल रहती हैं, और यह प्रस्तावित करता है कि एचसीआई (HCI) समुदाय को इंटरैक्टिव, आनुपातिक और संदर्भ-जागरूक समाधानों के माध्यम से उपयोगकर्ता एजेंसी को प्राथमिकता देने के लिए पारदर्शिता तंत्र को पुनर्गठित करना चाहिए।
यह शोध पत्र TRACE को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो इंटरैक्शन को ट्री-स्ट्रक्चर्ड नोड्स के रूप में मॉडल करके और रिवॉर्ड कंट्रास्ट एवं पॉलिसी लर्निंग दक्षता को बढ़ाने के लिए मिश्रित टर्मिनल रिवार्ड्स के साथ प्रॉम्प्ट रूट्स और इंटरमीडिएट प्रीफिक्स दोनों को गतिशील रूप से लक्षित करके मल्टी-टर्न एजेंटिक सुदृढीकरण शिक्षण (reinforcement learning) में रोलआउट बजट आवंटन को अनुकूलित करता है।
यह शोध पत्र मोंटे कार्लो पास सर्च (MCPS) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो उच्च-सटीक बुंडेसलिगा ट्रैकिंग डेटा का उपयोग करके फुटबॉल पास के वितरण-जागरूक एट्रिब्यूशन और रैंकिंग को सक्षम करने के लिए एक 3D बॉल-कंडीशन्ड वर्ल्ड मॉडल और एक वैल्यू मॉडल का लाभ उठाकर पास निष्पादन वेरिएंट्स और उनके काउंटरफैक्चुअल परिणामों का अनुकरण करता है।
यह शोध पत्र ABC-Bench प्रस्तुत करता है, जो LLMs में एजेंटिक जैव-सुरक्षा क्षमताओं का मूल्यांकन करने वाला एक बेंचमार्क है, जो यह प्रकट करता है कि वर्तमान एजेंट रोबोटिक DNA असेंबली और संश्लेषण बचाव जैसे दोहरे उपयोग वाले कार्यों में औसत मानव विशेषज्ञों से बेहतर प्रदर्शन करते हैं, जिसमें वेट-लैब सत्यापन यह पुष्टि करता है कि वे जैविक प्रोटोकॉल को सफलतापूर्वक निष्पादित करने की क्षमता रखते हैं।
यह शोध पत्र एक नवीन कोडिंग बेंचमार्क के माध्यम से यह प्रदर्शित करते हुए इस विमर्श को चुनौती देता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) मानव विशेषज्ञ प्रदर्शन के बराबर हैं, जिसमें यह दिखाया गया है कि मानव औसत सटीकता और निरंतरता दोनों में फ्रंटियर LLMs से बेहतर प्रदर्शन करते हैं, साथ ही यह केवल मानक बेंचमार्क पर निर्भर रहने के बजाय त्रुटि की मात्रा और प्रतिक्रिया की भिन्नता का मूल्यांकन करने की महत्वपूर्ण आवश्यकता पर भी प्रकाश डालता है।
पाइपर (Piper) एक प्रोग्रामेबल डिस्ट्रीब्यूटेड ट्रेनिंग सिस्टम है जो एक यूनिफाइड इंटरमीडिएट रिप्रेजेंटेशन के माध्यम से हाई-लेवल पैरेललिज्म स्ट्रैटेजीज़ को लो-लेवल रनटाइम इम्प्लीमेंटेशन्स से अलग करता है, जिससे ज़ीरो (ZeRO) और डीपसीक-V3 (DeepSeek-V3) की डुअलपाइप (DualPipe) जैसी विविध रणनीतियों का लचीला संयोजन सक्षम होता है और साथ ही प्रदर्शन समानता बनाए रखते हुए दक्षता में सुधार होता है।