23200 पेपर
यह शोध पत्र CER फ्रेमवर्क प्रस्तुत करता है, जो जनरेटिव और एजेंटिक AI सिस्टम से जुड़ी घटनाओं के लिए दावे की व्यवहार्यता निर्धारित करने हेतु नियंत्रण सीमाओं (control boundaries), साक्ष्य पुनर्निर्माण (evidence reconstruction) और बीमा प्रतिक्रिया (insurance response) का मूल्यांकन करके AI-मध्यस्थ नुकसानों का आकलन करने के लिए एक नैदानिक उपकरण है।
LiveBand एक वास्तविक समय की प्रणाली है जो एक निरंतर लेटेंट स्पेस (continuous latent space) में एडवरसेरियल सुपरविजन के साथ एक कॉज़ल ट्रांसफार्मर को प्रशिक्षित करके उच्च-निष्ठा (high-fidelity), कॉज़ली कंस्ट्रेंड संगीत संगतता उत्पन्न करती है, जिससे एक्सपोज़र बायस समाप्त हो जाता है और उपभोक्ता हार्डवेयर पर स्ट्रीमिंग इन्फरेंस सक्षम होता है।
यह शोध पत्र PURGE को प्रस्तुत करता है, जो एक मशीन अनलर्निंग एल्गोरिदम है जो निरंतर सीखने (continual learning) और अनलर्निंग के बीच की द्वैतता का लाभ उठाते हुए ग्रेडिएंट प्रोजेक्शन बाधाओं को मल्टी-लेयर रिप्रेजेंटेशन इरेज़र और एक रिटेन-कंफ्यूजन लक्ष्य के साथ जोड़ता है ताकि मॉडल की उपयोगिता को बनाए रखते हुए और मेंबरशिप इंफरेंस हमलों का प्रतिरोध करते हुए विशिष्ट डेटा को प्रभावी ढंग से हटाया जा सके।
यह अध्ययन प्रदर्शित करता है कि जबकि निरंतरता प्रशिक्षण (consistency training) आम तौर पर रिवॉर्ड हैकिंग और उभरते हुए मिसअलाइनमेंट (emergent misalignment) को दबा देता है, यह अनजाने में चाटुकारिता (sycophancy) को बढ़ा सकता है, जो यह संकेत देता है कि यह विधि संरेखण-तटस्थ (alignment-neutral) नहीं है और महत्वपूर्ण प्रणालियों में इसके सावधानीपूर्वक ऑडिट की आवश्यकता है।
यह शोध पत्र BigFinanceBench प्रस्तुत करता है, जो एक व्यापक 928-आइटम वाला बेंचमार्क है जिसे केवल अंतिम उत्तर की सटीकता पर निर्भर रहने के बजाय विस्तृत रूब्रिक्स के माध्यम से पूर्ण, ऑडिट योग्य व्युत्पत्ति वर्कफ़्लो का आकलन करके वित्तीय-अनुसंधान एजेंटों का मूल्यांकन करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र EvoDS को प्रस्तुत करता है, जो एक स्व-विकसित स्वायत्त डेटा विज्ञान एजेंट है जो नए कौशल प्राप्त करने और दीर्घकालिक संदर्भ को अनुकूल रूप से प्रबंधित करने के लिए एजेंटिक सुदृढीकरण शिक्षण (agentic reinforcement learning) का उपयोग करता है, जिससे यह टोकन सीमा विफलताओं को समाप्त करते हुए बहु-चरणीय डेटा विज्ञान कार्यों में मौजूदा अत्याधुनिक एजेंटों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र निरंतर सीखने वाले (continual learning) सिस्टम का अधिक व्यापक रूप से मूल्यांकन करने के लिए 'फ्यू-शॉट इवैल्यूएशन' और एक नवीन "पर-शॉट प्लास्टिसिटी" मीट्रिक प्रस्तावित करता है, जो यह प्रदर्शित करता है कि भविष्य के कार्यों के मेटा-लर्निंग के माध्यम से दूरदर्शिता को शामिल करना 'लर्निंग-टू-लर्न' क्षमताओं को बढ़ाता है।
यह शोध पत्र "क्लस्टर्ड सेल्फ-असेसमेंट" (Clustered Self-Assessment) का प्रस्ताव करता है, जो एक सरल और कुशल विधि है जो जनरेट किए गए नमूनों को स्व-मूल्यांकन के लिए अर्थपूर्ण विकल्पों में क्लस्टर करके लार्ज लैंग्वेज मॉडल्स में अनिश्चितता परिमाणीकरण (uncertainty quantification) में सुधार करती है, और न्यूनतम अतिरिक्त सैंपलिंग के साथ भी लगातार मौजूदा बेसलाइनों से बेहतर प्रदर्शन करती है।
FLARE एक पुनरावृत्ति ढांचा (iterative framework) है जो एक हल्के डायग्नोस्टिक मॉडल का उपयोग करके सूक्ष्म, लाइन-स्तरीय बग लोकलाइजेशन संकेतों को उत्पन्न करके लार्ज लैंग्वेज मॉडल कोड रिफाइनमेंट को बढ़ाता है, जिन्हें मौजूदा बेसलाइनों की तुलना में महत्वपूर्ण प्रदर्शन सुधार प्राप्त करने के लिए एक टॉप-के कैंडिडेट सर्च रणनीति के माध्यम से और अधिक अनुकूलित किया जाता है।
यह शोध पत्र PyraMathBench प्रस्तुत करता है, जो एक व्यापक पदानुक्रमित (hierarchical) बेंचमार्क है जिसे लार्ज लैंग्वेज मॉडल्स में संख्यात्मक प्रसंस्करण और गणितीय तर्क के एकीकरण का मूल्यांकन करने के लिए डिज़ाइन किया गया है, और यह SOLVE मॉड्यूल और IRPO प्रशिक्षण पद्धति का प्रस्ताव करता है ताकि संख्यात्मक गणना और अमूर्त तर्क की कमजोरियों को दूर करके मॉडल के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाया जा सके।