19719 पेपर
यह शोध पत्र यह प्रदर्शित करता है कि हस्तलिखित छात्र प्रतिक्रियाओं को क्रॉप करने के लिए बाउंडिंग बॉक्स का उपयोग करना विज़न-आधारित शैक्षिक मूल्यांकन कार्यों पर स्मॉल लैंग्वेज मॉडल्स की ग्रेडिंग सटीकता और कम्प्यूटेशनल दक्षता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र "AI टूर मीटिंग" प्रस्तुत करता है, जो एक ऐसा ढांचा है जो प्राकृतिक भाषा चर्चा के माध्यम से समूह यात्रा कार्यक्रमों की योजना बनाने के लिए विशिष्ट व्यक्तित्व वाले कई लार्ज लैंग्वेज मॉडल एजेंटों का उपयोग करता है, जो मल्टी-एजेंट व्यवहारों के अनुकरण और विश्लेषण के लिए एक लचीले उपकरण के रूप में कार्य करता है।
AgentTrails एक प्रोटोटाइप सिस्टम है जो LLM-संचालित एजेंटों के कच्चे कालानुक्रमिक लॉग्स को संरचित प्रोवेनेंस ग्राफ में बदल देता है ताकि छिपे हुए डेटा डिपेंडेंसीज को प्रकट करके, निष्पादन तुलना को सक्षम करके, और पैटर्न एक्सट्रैक्शन एवं स्किल एब्स्ट्रैक्शन का समर्थन करके विश्वास और पुन: उपयोग को बढ़ाया जा सके।
यह शोध पत्र स्वतंत्र LLM एजेंटों के बीच वितरित, एसिंक्रोनस (asynchronous) प्रतिकूल सत्रों को जोड़ने की चुनौती को संबोधित करने के लिए एसिंक्रोनस एट्रिब्यूशन फिंगरप्रिंट वेक्टर () पद्धति और SCD-v1 बेंचमार्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि संरचनात्मक और शैलीगत अवशेष (residues) वहां प्रभावी अभियान एट्रिब्यूशन (campaign attribution) सक्षम करते हैं जहाँ पारंपरिक प्रति-सत्र डिटेक्टर विफल हो जाते हैं।
यह अध्ययन प्रदर्शित करता है कि अधूरी जानकारी के तहत चिकित्सा एआई (medical AI) का मूल्यांकन सुरक्षा मूल्यांकन पूर्वाग्रहों को प्रकट करता है, जहाँ एलएलएम जज (LLM judge) का चयन (विशेष रूप से समान-प्रदाता उदारता) और जज की पहचान (LLM बनाम चिकित्सक) दोनों ही मॉडल रैंकिंग को महत्वपूर्ण रूप से बदलते हैं, जो यह संकेत देता है कि स्पष्ट सुरक्षा अंतराल ज्ञान की कमी के बजाय अंशांकन (calibration) के अंतर से उत्पन्न होते हैं।
यह शोध पत्र ABOPD को प्रस्तुत करता है, जो एक एंटीबॉडी CDR डिज़ाइन फ्रेमवर्क है जो मॉडल-जनरेटेड ट्रेजेक्टरीज (trajectories) को सुपरवाइज़ करने के लिए प्रिविलेज्ड नेटिव ज्योमेट्री (privileged native geometry) के साथ ऑन-पॉलिसी डिस्टिलेशन (on-policy distillation) का उपयोग करता है, जिससे मानक विधियों की तुलना में CDR-H3 लूप जनरेशन में स्ट्रक्चरल रिकवरी में महत्वपूर्ण सुधार होता है और RMSD कम होता है।
यह शोध पत्र RAMP को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड लर्निंग विधि है जो जटिल उच्च-आयामी डेटा के लिए अभिव्यंजक मॉडलों में लेटेंट-वैरिएबल वितरणों को कुशलतापूर्वक पुनः प्राप्त करने के लिए एक लचीले, नॉनलीनियर, एमोर्टाइज्ड मैसेज-पासिंग फ्रेमवर्क का लाभ उठाता है, जो पारंपरिक संभाव्य दृष्टिकोणों की स्केलेबिलिटी और ट्रैक्टेबिलिटी सीमाओं को दूर करता है।
स्ट्रक्चरल इक्वेशन मॉडलिंग का उपयोग करने वाले 3,915 उत्तरदाताओं के इस अध्ययन से पता चलता है कि एआई-संचालित स्वास्थ्य देखभाल निर्णय लेने की उपयोगिता, जोखिम और निष्पक्षता के संबंध में सार्वजनिक धारणाएं, स्वयं तकनीक में विश्वास के बजाय, मानव चिकित्सकों में विश्वास, तकनीकी परिचितता और संवादात्मक एजेंटों के उपयोग द्वारा मुख्य रूप से आकार लेती हैं।
ब्लैक-मांबा (Black-Mamba) एक जैविक रूप से प्रेरित, टेस्ट-टाइम एडेप्टिव फोरकास्टिंग मॉडल है जो निरंतर त्रुटि-संचालित अपडेट के स्थान पर एक चयनात्मक, इवेंट-ड्रिवन मेमोरी मैकेनिज्म का उपयोग करके वितरण ड्रिफ्ट (distribution drift) के तहत दक्षता और मजबूती में सुधार करता है, जो केवल तभी सक्रिय होता है जब टेम्पोरल रूप से संचित सरप्राइज़ल (surprisal) एक वास्तविक रिजीम परिवर्तन का संकेत देता है।
यह शोध पत्र एक दोहरी प्रतिकूल फाइन-ट्यूनिंग (dual adversarial fine-tuning) रूपरेखा प्रस्तावित करता है जो विज़ुअल और सिमेंटिक सुपरविजन संकेतों को संयुक्त रूप से अनुकूलित करता है ताकि बिना किसी आर्किटेक्चर संशोधन या कार्य-विशिष्ट पुनप्रशिक्षण के, प्रतिकूल हमलों (adversarial attacks) के विरुद्ध लार्ज विजन-लैंग्वेज मॉडल्स की मजबूती और क्रॉस-टास्क सामान्यीकरण क्षमता को महत्वपूर्ण रूप से बढ़ाया जा सके।