19893 पेपर
यह शोधपत्र SaMer का प्रस्ताव करता है, जो एक ऑब्जेक्ट-अवेयर टोकन मर्जिंग फ्रेमवर्क है जो प्रशिक्षण के दौरान महत्वपूर्ण ऑब्जेक्ट-लेवल साक्ष्य को संरक्षित करके विजन-लैंग्वेज रिट्रीवल के लिए इमेज-साइड टोकन को महत्वपूर्ण रूप से संकुचित करता है, जिससे बिना ग्राउंड-ट्रुथ बाउंडिंग बॉक्स की आवश्यकता के इन्फरेंस के दौरान स्टोरेज लागत कम होती है और रिट्रीवल प्रदर्शन में सुधार होता है।
MoP-JEPA स्टोकेस्टिक JEPA वर्ल्ड मॉडल्स में सिंगल-आउटपुट प्रेडिक्टर्स की सीमाओं को संबोधित करने के लिए हार्ड-असाइंड हेड्स वाले एक कॉन्टेक्स्ट-ओनली राउटर का उपयोग करता है ताकि कैंडिडेट सक्सेसरों का एक परिमित सेट जनरेट किया जा सके, जो ग्राफ सर्च टास्क में रॉ कवरेज और वेरिफाइड-रूट सक्सेस दोनों में स्टैंडर्ड रिग्रेशन और MDN अप्रोच की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र फॉर्मेट सेंसिटिविटी इंडेक्स (FSI) और पारसेबिलिटी सेंसिटिविटी इंडेक्स (PSI) को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि प्रॉम्प्ट रैपर्स में मामूली स्वरूपण अंतर महत्वपूर्ण, मॉडल-निर्भर स्कोर भिन्नता और अनुपालन विफलता का कारण बनते हैं, और यह तर्क दिया जाता है कि इस भिन्नता को ध्यान में रखे बिना बेंचमार्किंग सटीकता सांख्यिकीय रूप से नाजुक है।
यह शोध पत्र प्रदर्शित करता है कि संदेश प्रारूपों का मल्टी-हॉप एलएलएम एजेंट रिले पर प्रभाव टियर-निर्भर है, जो यह प्रकट करता है कि जहाँ मजबूत एजेंट विभिन्न प्रारूपों में लगभग हानि-रहित निष्ठा बनाए रखते हैं, वहीं कमजोर एजेंट प्रारूप-संचालित प्रदर्शन विचलन से जूझते हैं जहाँ कठोर संरचनाएं एन्कोडिंग लागत उत्पन्न करती हैं लेकिन फिक्स्ड-की जेसन (JSON) बेहतर ड्रिफ्ट प्रतिरोध प्रदान करता है, जो अंततः यह स्थापित करता है कि संरचना त्रुटि सुधार के बजाय त्रुटि-स्थानीयकरण निष्ठा प्रदान करती है।
यह शोध पत्र सांख्यिकीय सत्यापन के माध्यम से Turbo-Quant और SpectralQuant जैसे KV-कैश संपीड़न (compression) विधियों का व्यवस्थित रूप से मूल्यांकन करता है, जिससे यह पता चलता है कि जहाँ आइगनबेसिस-आधारित (eigenbasis-based) दृष्टिकोण कोवैरिएंस अस्थिरता के कारण हेवी-टेल्ड (heavy-tailed) डेटा के साथ संघर्ष करना पड़ता है, वहीं वे उन संरचित व्यवस्थाओं में अच्छा प्रदर्शन करते हैं जहाँ प्रभावी सिमेंटिक आयाम वास्तविक डेटा रैंक के बजाय कैलिब्रेशन बजट के अनुकूल होता है।
मैक्रोइकोनॉमिक फोरकास्टिंग (समष्टि आर्थिक पूर्वानुमान) पर यह नैदानिक अध्ययन प्रदर्शित करता है कि साइंटिफिक मशीन लर्निंग में स्ट्रक्चरल प्रायर्स (संरचनात्मक पूर्ववृत्त) "मिसरेगुलराइज़र" के रूप में कार्य कर सकते हैं और प्रदर्शन को खराब कर सकते हैं जब वे अंतर्निहित डेटा-जनरेटिंग प्रक्रिया से मेल खाने में विफल रहते हैं, जो यह सुझाव देता है कि जटिल, लो-फ्रीक्वेंसी डोमेन में कम-प्रतिबंधित मॉडल अक्सर अत्यधिक प्रतिबंधित मॉडलों की तुलना में बेहतर प्रदर्शन करते हैं।
यह शोध पत्र "बोल्ट्ज़मैन मैपरिड्यूस" (Boltzmann MapReduce) प्रस्तावित करता है, जो एक ऐसा ढांचा है जो फोर्क करने योग्य सैंडबॉक्स (forkable sandboxes) के लिए पार्टीशन-फंक्शन-आधारित रिडक्शन को सक्षम करने हेतु वर्कर कॉन्फिडेंस डेंसिटीज को गिब्स-बोल्ट्ज़मैन मेजर्स (Gibbs–Boltzmann measures) के रूप में व्याख्यायित करता है, जहाँ विलगित चंक्स (disjoint chunks) स्वतंत्र कारकों के रूप में योगदान देते हैं और फ्रीक्वेंटिस्ट कंसिस्टेंसी (frequentist consistency) शून्य-तापमान सीमा (zero-temperature limit) के रूप में उभरती है।
यह शोध पत्र यह प्रदर्शित करता है कि कोड संपादित करने वाले कोडिंग एजेंटों के लिए, आवश्यक संदर्भ सख्ती से केवल संशोधित किए जा रहे विशिष्ट फ़ाइलों तक ही सीमित है, क्योंकि प्राकृतिक भाषा के सारांश और आस-पास की फ़ाइल सामग्री, स्रोत कोड की तुलना में समस्या समाधान में नगण्य योगदान देती है, जबकि यह गैर-नियत API अनुमान (non-deterministic API inference) के कारण बेंचमार्क परिणामों में एक महत्वपूर्ण शोर स्तर (noise floor) को भी प्रकट करता है।
यह शोध पत्र यह पहचान करता है कि डीप सीटीआर (CTR) मॉडल अक्सर पहले इपोक के बाद तत्काल सत्यापन प्रदर्शन पतन (validation performance collapse) से ग्रस्त होते हैं और यह प्रदर्शित करता है कि जबकि लर्निंग रेट ट्यूनिंग सीमित मदद प्रदान करती है, अत्यधिक विरल (sparse) विशेषताओं को हटाने और विरल मानों को एकत्रित करके विशेषता विरलता (feature sparsity) को नियंत्रित करना प्रशिक्षण को प्रभावी ढंग से स्थिर करता है और ऑफलाइन एवं ऑनलाइन दोनों प्रदर्शनों में महत्वपूर्ण सुधार करता है।
YUKTI एक सुदृढ़ निर्णय लेने वाला ढांचा है जो प्राकृतिक-भाषा स्थितियों को अनिश्चितता-प्रकार के प्रपोजिशन ग्राफ में परिवर्तित करके धारणा-मजबूत पारेटो फ्रंटियर्स और सत्यापन योग्य रिग्रेट प्रमाणपत्र उत्पन्न करता है, जो गुणांक अनिश्चितता और संरचनात्मक मिसस्पेसिफिकेशन के तहत निर्णय संबंधी पछतावे (रिग्रेट) को न्यूनतम करके मानक एकल-उद्देश्य अनुकूलन और एलएलएम-आधारित प्लानर्स की तुलना में काफी बेहतर प्रदर्शन करता है।