cs.AI

Do Video Foundation Models Understand Intuitive Physics? A Layerwise Probing Analysis

ArtiFact: A Large-Scale Multi-Modal Cultural Heritage Dataset

यह शोध पत्र ArtiFact प्रस्तुत करता है, जो 6,50,,000 से अधिक संग्रहालय अभिलेखों से युक्त एक बड़े पैमाने का मल्टी-मोडल सांस्कृतिक विरासत डेटासेट है, जो क्रॉस-मोडल त्रुटि पहचान और सिमेंटिक क्वेरी प्रोसेसिंग में वर्तमान सीमाओं को उजागर करके मल्टी-मोडल डेटा प्रबंधन अनुसंधान को आगे बढ़ाने के लिए एक चुनौतीपूर्ण बेंचमार्क के रूप में कार्य करता है।

Muon Learns More Robust and Transferable Features than Adam

यह शोधपत्र यह प्रदर्शित करता है कि Muon ऑप्टिमाइज़र विभिन्न आर्किटेक्चर और कार्यों में Adam और SGD की तुलना में अधिक सुदृढ़ (robust) और हस्तांतरणीय (transferable) विशेषताओं को सीखता है, एक ऐसा निष्कर्ष जिसे मजबूती, हस्तांतरणीयता और हिडन स्टेट विविधता के अनुभवजन्य मूल्यांकन के साथ-साथ मार्जिन और प्रभावी रैंक (effective rank) के संबंध में सैद्धांतिक प्रमाणों द्वारा समर्थित किया गया है।

End-to-End Context Compression at Scale

यह शोधपत्र लेटेंट कॉन्टेक्स्ट लैंग्वेज मॉडल्स (LCLMs) को प्रस्तुत करता है, जो विशाल डेटासेट पर प्रशिक्षित एनकोडर-डिकोडर कंप्रेसर का एक परिवार है, जो मॉडल की उच्च गुणवत्ता बनाए रखते हुए मेमोरी उपयोग और संपीड़न समय को कम करके लॉन्ग-कॉन्टेक्स्ट इन्फरेंस के लिए सटीकता-दक्षता सीमा (accuracy-efficiency frontier) में महत्वपूर्ण सुधार करता है।

Frequency-based Constrained Sampling for Interval Patterns

यह शोध पत्र CFips को प्रस्तुत करता है, जो एक आवृत्ति-आधारित (frequency-based) संकुचित नमूनाकरण दृष्टिकोण है जो सटीक आवृत्ति गारंटी के साथ प्रतिनिधि अंतराल पैटर्न को कुशलतापूर्वक उत्पन्न करने के लिए उपयोगकर्ता-निर्धारित सिंटैक्टिक बाधाओं को सीधे नमूनाकरण प्रक्रिया में एकीकृत करता है, जिससे उन माइनिंग कार्यों को सक्षम बनाया जा सके जो समय की सीमाओं के कारण अन्यथा विफल हो जाते।

SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks

यह शोधपत्र SpatialWorld को प्रस्तुत करता है, जो वास्तविक दुनिया के परिदृश्यों में मल्टीमॉडल एजेंटों की संवादात्मक स्थानिक तर्क क्षमता (interactive spatial reasoning) का कड़ाई से मूल्यांकन करने के लिए आठ सिमुलेशन बैकएंड्स के माध्यम से 760 मानव-एनोटेटेड कार्यों वाला एक एकीकृत बेंचमार्क है, जो यह प्रकट करता है कि अत्याधुनिक मॉडल भी सक्रिय अन्वेषण (active exploration) और दीर्घ-अवधि नियोजन (long-horizon planning) में कम सफलता दर और महत्वपूर्ण दक्षता विसंगतियों के साथ संघर्ष करते हैं।

Visual Prompting Meets Feature Reconstruction-Based Anomaly Detection with Dual-Teacher Supervision

यह शोध पत्र एक नवीन विसंगति पहचान (anomaly detection) ढांचे का प्रस्ताव करता है जो ऑब्जेक्ट आइसोलेशन के लिए विजुअल प्रॉम्प्टिंग, बेहतर डोमेन अनुकूलन क्षमता के लिए एक अनफ्रोज़न ड्यूल-टीचर सुपरविजन तंत्र और डिफ्यूजन-आधारित डेटा ऑग्मेंटेशन को संयोजित करता है, जिससे चुनौतीपूर्ण AeBAD डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त होता है।

Correlation Is Not Enough: Embedding Human Metadata for Individual Causal Discovery

यह शोध पत्र एक मानव-मेटाडेटा-संचालित ढांचे (BODHI) को पेश करके बायोमेडिकल लैंग्वेज मॉडल्स की उस गंभीर खामी को संबोधित करता है जहाँ उच्च एम्बेडिंग समानता असंबंधित घटनाओं के बीच झूठे कारण संबंधों का संकेत देती है, और यह ढांचा क्रॉस-डोमेन भेदभाव में महत्वपूर्ण सुधार करता है तथा AMX-सक्षम हार्डवेयर पर भारी विलंबता (लेटेंसी) में कमी लाता है।

MeCo: One-Step MeanFlow-based Corrector for Multi-Channel Speech Separation

यह शोध पत्र MeCo का प्रस्ताव करता है, जो एक नवीन वन-स्टेप (one-step) MeanFlow-आधारित जनरेटिव करेक्टर है, जो न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ मल्टी-चैनल स्पीच सेपरेशन के लिए मानव श्रवण गुणवत्ता और सिग्नल फिडेलिटी को एक साथ बढ़ाने के लिए डेटा-स्पेस ऑप्टिमाइज़ेशन का उपयोग करता है।

An 84-Format Numeric Catalog with Bit-Exact Conformance Vectors: A Vendor-Neutral Reference for FP8, BF16, MXFP4, and Microscaling Formats

यह शोध पत्र 84 संख्यात्मक प्रारूपों (numeric formats) और छह बिट-सटीक अनुरूपता पैक्स (bit-exact conformance packs) का एक विक्रेता-तटस्थ कैटलॉग प्रस्तुत करता है, जिसमें क्रॉस-वैलिडेटेड JSON आर्टिफैक्ट्स और एक IEEE P3109 क्रॉस-वॉक शामिल है, ताकि मशीन लर्निंग हार्डवेयर कार्यान्वयन में साइलेंट डाइवर्जेंस (silent divergences) के निदान के लिए एक साझा संदर्भ प्रदान किया जा सके।