23200 पेपर
यह शोध पत्र एडेप्टिव लेटेंट एजेंटिक रीजनिंग (ALAR) का प्रस्ताव करता है, जो एक दोहरी-मोड फ्रेमवर्क है जो नियमित चरणों के लिए कॉम्पैक्ट लेटेंट रीजनिंग का उपयोग करने और जटिल निर्णयों के लिए एक्सप्लिसिट चेन-ऑफ-थॉट को आरक्षित करने के माध्यम से LLM एजेंटों को अनुकूलित करता है, जिससे कार्य सटीकता को बनाए रखते हुए या उसमें सुधार करते हुए टोकन जनरेशन को काफी कम किया जाता है।
यह शोध पत्र "हैंडऑफ डेट" (handoff debt) की अवधारणा को पेश करता है ताकि उन पुनर्खोज लागतों (rediscovery costs) को मापा जा सके जो कोडिंग एजेंटों द्वारा बाधित कार्यों को फिर से शुरू करने पर उत्पन्न होती हैं, और यह प्रदर्शित करता है कि उत्तराधिकारी एजेंटों को संरचित संदर्भ प्रदान करने से केवल रिपॉजिटरी स्टेट पर निर्भर रहने की तुलना में कार्य को पूरा करने के लिए आवश्यक प्रयास और टोकन उपयोग को काफी कम किया जा सकता है।
यह शोध पत्र डीप लर्निंग मौसम मॉडलों के लिए एक स्केलेबल, इन्फरेंस-टाइम अनिश्चितता परिमाणीकरण ढांचा प्रस्तुत करता है जो न्यूरल टैनजेंट कर्नेल और एडेप्टिव फीचर डिकम्पोजिशन (ICA या SVD) का लाभ उठाकर चरम घटनाओं के लिए शार्प, सेवेरिटी-स्केलिंग प्रेडिक्शन इंटरवल उत्पन्न करता है, जो बिना किसी मॉडल रिट्रेनिंग के कॉन्फॉर्मल बेसलाइन्स से बेहतर प्रदर्शन करता है।
यह शोध पत्र यह प्रदर्शित करता है कि जबकि LLM हिडन स्टेट्स (hidden states) पर लीनियर प्रोब्स (linear probes), निगमनात्मक (deductive), आगमनात्मक (inductive) और अपगमनात्मक (abductive) तर्क कार्यों के बीच अंतर करने में उच्च सटीकता प्राप्त करते हैं, यह पृथक्करण तर्क के विशिष्ट कम्प्यूटेशनल निरूपणों के बजाय पूरी तरह से कार्य प्रारूप के भ्रमों (task format confounds) द्वारा संचालित होता है।
यह शोध पत्र SCOPE प्रस्तुत करता है, जो प्राकृतिक-भाषा PTZ कैमरा नियंत्रण के लिए एक मॉड्यूलर, एज-डिप्लॉय करने योग्य एजेंट है, और एक व्यापक बेंचमार्क एवं मूल्यांकन प्रस्तुत करता है जो यह प्रदर्शित करता है कि शक्तिशाली लघु भाषा मॉडल (small language models) मतिभ्रम (hallucinations) को काफी कम कर देते हैं जबकि धारणा (perception) प्राथमिक बाधा बन जाती है, जिसमें मिक्सचर-ऑफ-एक्सपर्ट्स (Mixture-of-Experts) और क्वांटाइजेशन कुशल, वास्तविक समय के समाधान प्रदान करते हैं।
Fast-dLLM++ एक प्रशिक्षण-मुक्त (training-free), ड्रॉप-इन रिप्लेसमेंट है जो Fast-dLLM की जगह लेता है और विषम टोकन कॉन्फिडेंस प्रोफाइल (heterogeneous token confidence profiles) का लाभ उठाने के लिए फ्रैच प्रोफाइल डिकोडिंग (Fréchet profile decoding) पेश करता है, जिससे पिछले वर्स्ट-केस कॉन्फिडेंस नियमों की तुलना में अधिक समानांतर टोकन को सुरक्षित रूप से कमिट करके समान सटीकता पर 37% तक अधिक थ्रूपुट प्राप्त होता है।
यह शोध पत्र एगोसेंट्रिक (egocentric) प्राकृतिक भाषा क्वेरी ग्राउंडिंग के लिए एक नवीन दृष्टिकोण प्रस्तावित करता है जो प्री-ट्रेन्ड वीडियो-टेक्स्ट फीचर्स को एक विशिष्ट हैंड-ट्रैजेक्टरी एनकोडर के साथ संलयित (fuse) करके लंबे फर्स्ट-पर्सन वीडियो में टेम्पोरल लोकलाइजेशन को बढ़ाता है, जिससे हाथ-वस्तु इंटरैक्शन और अवस्था परिवर्तन से जुड़ी क्वेरीज़ पर प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र तर्क देता है कि वर्तमान स्वायत्त एजेंट बेंचमार्क एक "अनुपालन पूर्वाग्रह" (compliance bias) से ग्रस्त हैं जो आवश्यक निष्क्रियता को दंडित करता है, और यह अपवंचन परिदृश्यों (abstention scenarios) के लिए एक नए वर्गीकरण के साथ-साथ मूल्यांकन मेट्रिक्स प्रस्तावित करता है ताकि यह प्रदर्शित किया जा सके कि सिद्धांतों पर आधारित इनकार तंत्र के माध्यम से सुरक्षा और उपयोगिता को प्रभावी ढंग से संतुलित किया जा सकता है।
यह शोध पत्र 'ग्लास बॉक्स' (Glass Box) का परिचय देता है, जो एक रनटाइम संवैधानिक एआई सत्यापन ढांचा है जो भौतिकी-आधारित बाधाओं और औपचारिक सुरक्षा इनवेरिएंट्स के विरुद्ध प्रत्येक क्रिया को निष्पादन से पहले रोकने और मूल्यांकन करने के माध्यम से स्वायत्त कक्षीय एआई प्रणालियों की सुरक्षा और विश्वसनीयता सुनिश्चित करता है, जिससे अंतरिक्ष-आधारित डेटा केंद्रों में अपरिवर्तनीय निर्णयों को रोका जा सकता है।
यह शोध पत्र एक नवीन कॉम्पैक्ट डीप मल्टी-टास्क लर्निंग मॉडल प्रस्तुत करता है जो एक एडेप्टिव लॉस वेटिंग एल्गोरिदम के साथ RGB, DVS और LiDAR डेटा को फ्यूज करके विविध स्वायत्त ड्राइविंग धारणा कार्यों को एक साथ निष्पादित करता है, जो मौजूदा दृष्टिकोणों की तुलना में कम मापदंडों के साथ बेहतर प्रदर्शन और दक्षता प्राप्त करता है।