11611 पेपर
यह शोध पत्र APEX-Agents को प्रस्तुत करता है, जो एक ओपन-सोर्स बेंचमार्क और मूल्यांकन इंफ्रास्ट्रक्चर है जिसे निवेश बैंकिंग, प्रबंधन परामर्श और कानूनी कार्यों के विशिष्ट जटिल, दीर्घ-अवधि (long-horizon), और क्रॉस-एप्लीकेशन कार्यों को निष्पादित करने में AI एजेंटों की क्षमताओं का आकलन करने के लिए डिज़ाइन किया गया है, जो यह प्रकट करता है कि वर्तमान शीर्ष मॉडल अधिकतम 24.0% का Pass@1 स्कोर प्राप्त करते हैं।
यह शोध पत्र EBPO का प्रस्ताव करता है, जो एक नवीन ढांचा है जो लार्ज लैंग्वेज मॉडल्स के लिए ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन को स्थिर करने हेतु एम्पेरिकल बेयस श्रिंकेज (Empirical Bayes shrinkage) का उपयोग करके स्थानीय बेसलाइन्स को वैश्विक सांख्यिकी के साथ नियमित करता है, जिससे अनुमानित वेरिएंस कम होता है, वैनिशिंग ग्रेडिएंट्स को रोकता है, और विविध रीजनिंग बेंचमार्क पर मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र ऑप्टिमल ट्रांसपोर्ट पर आधारित एक क्रॉस-आर्किटेक्चर मर्जिंग फ्रेमवर्क का प्रस्ताव करता है जो विषम मॉडलों के बीच पत्राचार (correspondences) का अनुमान लगाने के लिए एक्टिवेशन्स को संरेखित करता है, जिससे सीधे वेट-स्पेस फ्यूजन के माध्यम से बड़े हाई-रिसोर्स LLMs से छोटे लो-रिसोर्स लक्ष्यों तक प्रभावी ज्ञान हस्तांतरण सक्षम होता है।
G2CP एक ग्राफ-आधारित संचार प्रोटोकॉल पेश करता है जो मल्टी-एजेंट सिस्टम के लिए प्राकृतिक भाषा को संरचित ग्राफ ऑपरेशन्स से बदल देता है, जिससे टोकन के उपयोग और मतिभ्रम (hallucinations) में काफी कमी आती है और जटिल औद्योगिक कार्यों में तर्क की सटीकता और सत्यापन क्षमता में सुधार होता है।
यह शोध पत्र ADAB को प्रस्तुत करता है, जो विभिन्न ऑनलाइन प्लेटफार्मों और बोलियों से 10,000 नमूनों वाला एक बड़े पैमाने का एनोटेटेड अरबी डेटासेट है, जिसे विनम्र, अशिष्ट और तटस्थ श्रेणियों में शिष्टाचार पहचान (politeness detection) के लिए एक बेंचमार्क प्रदान करके कम्प्यूटेशनल सोशियोप्रैगमैटिक्स (computational sociopragmatics) को आगे बढ़ाने के लिए डिज़ाइन किया गया है।
यह शोध पत्र कई LLMs और मानव सत्यापन का उपयोग करके एक विश्वसनीय बांग्ला IR डेटासेट के निर्माण के लिए एक BETA-लेबलिंग ढांचे को प्रस्तुत करता है, जबकि अनुभवजन्य रूप से यह प्रदर्शित करता है कि कम-संसाधन वाले डेटासेट्स का वन-हॉप मशीन अनुवाद अक्सर भाषा-निर्भर पूर्वाग्रहों के कारण अर्थ संबंधी वैधता बनाए रखने में विफल रहता है, जिससे क्रॉस-लिंगुअल डेटासेट पुन: उपयोग के लिए महत्वपूर्ण मार्गदर्शन प्राप्त होता है।
यह शोध पत्र RFEval प्रस्तुत करता है, जो काउंटरफैक्चुअल हस्तक्षेपों (counterfactual interventions) के माध्यम से लार्ज रीजनिंग मॉडल्स में रीजनिंग फेथफुलनेस (reasoning faithfulness) का आकलन करने के लिए एक बेंचमार्क और औपचारिक ढांचा है, जो यह प्रकट करता है कि स्टैंड कंसिस्टेंसी (stance inconsistencies) के कारण लगभग आधे मॉडल आउटपुट अनफेथफुल हैं और सटीकता (accuracy), रीजनिंग प्रक्रिया की संरचनात्मक अखंडता (structural integrity) के लिए एक खराब प्रॉक्सी है।
ConfSpec एक कॉन्फिडेंस-गेटेड कैस्केडेड वेरिफिकेशन फ्रेमवर्क पेश करता है जो स्टेप-लेवल स्पेकुलेटिव रीजनिंग में सटीकता-गति के बीच के ट्रेड-ऑफ को हल करने के लिए जनरेशन और वेरिफिकेशन के बीच की विषमता का लाभ उठाता है, जिससे लक्ष्य-मॉडल की सटीकता से समझौता किए बिना या बाहरी जज मॉडल की आवश्यकता के बिना 2.24 तक एंड-टू-एंड स्पीडअप प्राप्त होता है।
यह शोध पत्र "एसिम्प्टोटिक सिमेंटिक कोलैप्स" (Asymptotic Semantic Collapse) के लिए एक सैद्धांतिक ढांचा प्रस्तावित करता है, जो यह प्रदर्शित करता है कि कैसे पदानुक्रमित बहु-एजेंट प्रणालियाँ अपडेट इतिहास की परवाह किए बिना एक रिमानियन मैनिफोल्ड (Riemannian manifold) पर एक समान सिमेंटिक अवस्था की ओर अभिसरित होती हैं, और RWKV-7 मॉडल पर एक डेटासेट-मुक्त बेंचमार्क के माध्यम से इन गतिकी का अनुभवजन्य सत्यापन करता है।
यह अध्ययन ऐप स्टोर समीक्षाओं पर टॉपिक मॉडलिंग, ज़ीरो-शॉट क्लासिफिकेशन और सेंटीमेंट एनालिसिस को संयोजित करने वाले एक नेचुरल लैंग्वेज प्रोसेसिंग फ्रेमवर्क का उपयोग करता है ताकि एआई-संचालित मानसिक स्वास्थ्य ऐप्स में स्थापित और उभरती दोनों नैतिक चिंताओं की पहचान की जा सके, और अंततः उनकी निष्पक्षता, पारदर्शिता और विश्वसनीयता को बढ़ाने के लिए एक प्रणाली प्रस्तावित की जा सके।