23200 पेपर
यह शोध पत्र STARFISH को पेश करता है, जो एक कुशल हीलिंग विधि है जो अनलेबल कैलिब्रेशन डेटा के एक बहुत छोटे सेट का उपयोग करके प्रून किए गए मॉडल के आंतरिक स्टेट रिप्रजेंटेशन को मूल मॉडल के साथ संरेखित करके न्यूरल नेटवर्क प्रूनिंग के दौरान खोई गई अधिकांश सटीकता को पुनः प्राप्त करती है, जो विशेष रूप से आक्रामक प्रूनिंग स्थितियों के तहत अत्याधुनिक तकनीकों से काफी बेहतर प्रदर्शन करती है।
यह शोध पत्र memorywire को प्रस्तुत करता है, जो एक वेंडर-न्यूट्रल JSON-Schema वायर फॉर्मेट और संदर्भ कार्यान्वयन है जो एक एकीकृत इंटरफ़ेस, गवर्नेंस चैनल और अनुभवजन्य रूप से सत्यापित बैकएंड एडेप्टर के माध्यम से विविध फ्रेमवर्क में एजेंट मेमोरी ऑपरेशन्स को मानकीकृत करता है, जिसका लक्ष्य मॉडल कॉन्टेक्स्ट प्रोटोकॉल के साथ प्रतिस्पर्धा किए बिना इंटरऑपरेबिलिटी को सक्षम बनाना है।
SkillRevise एक निष्पादन-आधारित (execution-grounded) ढांचा है जो निष्पादन ट्रैसेस (execution traces) से दोषों का निदान करके, मरम्मत सिद्धांतों को पुनर्प्राप्त करके और इष्टतम संस्करणों को अनुभवजन्य रूप से चुनकर अपूर्ण प्रारंभिक एजेंट कौशल को पुनरावृत्ति के माध्यम से परिष्कृत करता है, जिससे यह वन-शॉट जनरेशन विधियों की तुलना में एजेंट की सफलता दर और क्रॉस-मॉडल हस्तांतरणीयता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र डेटा की कमी के तहत स्पार्स लैंग्वेज मॉडल ट्रेनिंग की जांच करता है, जो यह प्रदर्शित करता है कि स्पर्सिटी न केवल दक्षता में सुधार करती है बल्कि डेटा सैचुरेशन (डेटा संतृप्ति) को भी विलंबित करती है और एक नया स्केलिंग लॉ सक्षम करती है जो सक्रिय पैरामीटर्स, डेटा पुनरावृत्ति और कंप्यूट बजट के बीच प्रदर्शन संबंधी ट्रेड-ऑफ को अनुकूलित करता है।
यह शोध पत्र DEFT प्रस्तुत करता है, जो एक नवीन डीप रिइन्फोर्समेंट लर्निंग शेड्यूलर है जो विभिन्न समय-सीमाओं वाले क्लाउड वर्कफ़्लो को गतिशील रूप से आवंटित करने के लिए एक ग्राफ-एडेप्टिव मिक्स्चर-ऑफ-एक्सपर्ट्स आर्किटेक्चर का उपयोग करता है, जो अत्याधुनिक बेसलाइनों की तुलना में निष्पादन लागत और समय-सीमा उल्लंघन को महत्वपूर्ण रूप से कम करता है।
यह शोध पत्र एक एकीकृत भौतिकी-सूचित गहन शिक्षण (Physics-Informed Deep Learning) ढांचे को प्रस्तुत करता है जो ऊष्मागतिक और वित्तीय प्रणालियों में एंट्रॉपी की सटीक भविष्यवाणी करने के लिए अवकल समीकरण अवशेषों (differential equation residuals) और सूचना-सैद्धांतिक सीमाओं दोनों को लागू करता है, जिससे शून्य द्वितीय नियम उल्लंघन, उत्कृष्ट डेटा दक्षता और ज्यामितीय विश्लेषण के माध्यम से चरण अस्थिरताओं (phase instabilities) की पहचान करने की क्षमता प्राप्त होती है।
यह शोध पत्र CA-BED का प्रस्ताव करता है, जो एक वार्ता-जागरूक (conversation-aware) बेयसियन प्रयोगात्मक डिज़ाइन ढांचा है जो संवादात्मक परिदृश्यों में लार्ज लैंग्वेज मॉडल्स के लिए प्रश्न चयन को अनुकूलित करता है, और न्यूनतम अतिरिक्त संवादात्मक चरणों के साथ सफलता दर में 21.8% का सुधार प्राप्त करता है।
यह शोध पत्र प्रदर्शित करता है कि कम-संसाधन वाली सुरक्षा विफलताएं हानिकारक प्रतिनिधित्व की कमी के बजाय निर्णय अंशांकन (डिसीजन कैलिब्रेशन) में मिसअलाइनमेंट से उत्पन्न होती हैं, और केवल कुछ लक्षित-भाषा उदाहरणों का उपयोग करके मौजूदा उच्च-संसाधन सुरक्षा गेटों को पुन: अंशांकित करने के माध्यम से इसे ठीक करने की एक विधि प्रस्तावित करता है।
यह शोध पत्र TaskWeave को प्रस्तुत करता है, जो एक पदानुक्रमित एजेंटिक फ्रेमवर्क (hierarchical agentic framework) है जो 'फॉर्मुलेट-पार्टिशन-डायग्नोस-अलाइन' (Formulate-Partition-Diagnose-Align) चक्र और निर्भरता-जागरूक ट्रेस मेमोरी (dependency-aware trace memory) का उपयोग करता है ताकि लार्ज लैंग्वेज मॉडल एजेंट संरचित सिमुलेशन में सुसंगत, दीर्घकालिक संगठनात्मक गतिशीलता बनाए रख सकें।
यह शोध पत्र तीन भाषा मॉडलों के माध्यम से 9,000 निर्णय प्रक्षेप पथों (decision trajectories) का विश्लेषण करता है ताकि यह प्रकट किया जा सके कि शुद्धता (correctness) और स्थिरता (stability) अलग-अलग गुण हैं, जो यह प्रदर्शित करता है कि अटेंशन मैकेनिज्म मुख्य रूप से स्थिर सही उत्तरों को संचालित करते हैं जबकि विशिष्ट टेक्स्ट स्पैन निर्णय मार्जिन को महत्वपूर्ण रूप से प्रभावित करते हैं।