11611 पेपर
यह शोध पत्र नौवें CHiME चैलेंज के लिए मल्टी-मोडल कॉन्टेक्स्ट-अवेयर रिकग्निशन (MCoRec) कार्य को प्रस्तुत करता है, जो एक नया डेटासेट और बेसलाइन सिस्टम पेश करता है जो यह प्रदर्शित करते हैं कि कैसे विजुअल संकेतों को एकीकृत करना ऑडियो-ओनली दृष्टिकोणों की तुलना में प्राकृतिक, अनस्क्रिप्टेड समूह चर्चाओं में ओवरलैपिंग स्पीच को हल करने की क्षमता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र कैंटोनीज़, जापानी और तुर्की में चार विविध कार्यों पर सात अत्याधुनिक लार्ज लैंग्वेज मॉडल्स का मूल्यांकन करने वाला एक व्यापक क्रॉस-लिंगुअल बेंचमार्क प्रस्तुत करता है, जो यह प्रकट करता है कि जहाँ शीर्ष प्रोप्रायटरी मॉडल प्रदर्शन में आगे हैं, वहीं विशेष रूप से छोटे ओपन-सोर्स मॉडल्स के लिए रूपात्मक जटिलता और सांस्कृतिक बारीकियों को संभालने में महत्वपूर्ण चुनौतियाँ बनी हुई हैं।
यह शोध पत्र एक द्वि-अक्षीय ढांचे (JudgeGPT और RogueGPT) को प्रस्तुत करता है और यह प्रदर्शित करने के लिए स्ट्रक्चरल कॉज़ल मॉडल्स का उपयोग करता है कि फाउंडेशन मॉडल के मतिभ्रम (hallucinations) के प्रति मानवीय संवेदनशीलता राजनीतिक झुकाव के बजाय फर्जी समाचारों की परिचितता और उच्च-गुणवत्ता वाले एआई टेक्स्ट के "फ्लुएंसी ट्रैप" (fluency trap) द्वारा संचालित होती है, जो यह सुझाव देता है कि प्रभावी हस्तक्षेपों को जनसांख्यिकीय विभाजन के बजाय संज्ञानात्मक स्रोत निगरानी (cognitive source monitoring) को लक्षित करना चाहिए।
यह शोध पत्र बड़े भाषा मॉडलों के मेटाभाषाई ज्ञान का मूल्यांकन करने के लिए 'वर्ल्ड एटलस ऑफ लैंग्वेज स्ट्रक्चर्स' पर आधारित एक बहुभाषी बेंचमार्क प्रस्तुत करता है, जो यह प्रकट करता है कि उनका प्रदर्शन मध्यम, खंडित और सामान्य व्याकरणिक सक्षमता के बजाय डिजिटल संसाधनों की उपलब्धता पर अत्यधिक निर्भर है।
यह शोध पत्र तीन प्रकार के कार्यों में प्रदर्शन और दक्षता संबंधी समझौतों के व्यवस्थित मूल्यांकन द्वारा समर्थित, चिकित्सा क्षेत्र के लिए व्यावहारिक विकल्प प्रस्तावित करने और सर्वोत्तम प्रथाओं को स्थापित करने हेतु रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) प्रणालियों के घटकों का विश्लेषण करता है।
FaithRL एक सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो ज्यामितीय पुरस्कारों (geometric rewards) और एडवांटेज मॉड्यूलेशन (advantage modulation) के माध्यम से स्टेप-लेवल फिडेलिटी ऑब्जेक्टिव को अनुकूलित करके बड़े भाषा मॉडलों में मतिभ्रम (hallucinations) और अति-आत्मविश्वास को कम करता है, जिससे उत्तर की शुद्धता से समझौता किए बिना तर्क की विश्वसनीयता में सुधार होता है।
यह शोध पत्र अलाइन्ड कॉन्ट्रास्टिव लर्निंग (ACL) प्रस्तुत करता है, जो लेबल एलाइनमेंट और ग्रेडिएंट डिसकार्डिंग के माध्यम से क्रॉस-एन्ट्रॉपी और कॉन्ट्रास्टिव उद्देश्यों के बीच संघर्षों को हल करता है, साथ ही GLUE बेंचमार्क पर मानक और मल्टी-एग्जिट BERT फाइन-ट्यूनिंग दोनों के प्रदर्शन और दक्षता में महत्वपूर्ण सुधार करने के लिए क्रॉस-लेयर गाइडेंस का लाभ उठाता है।
यह शोध पत्र एक बड़े पैमाने पर अनुभवजन्य अध्ययन प्रस्तुत करता है जो यह प्रदर्शित करता है कि फ़ाइल-नेटिव (file-native) LLM एजेंटों के लिए, मॉडल की क्षमता प्रदर्शन को प्रभावित करने वाला प्रमुख कारक है, जबकि फ़ाइल-आधारित रिट्रीवल और डेटा फॉर्मेटिंग जैसी कॉन्टेक्स्ट इंजीनियरिंग रणनीतियों की प्रभावशीलता सार्वभौमिक सर्वोत्तम प्रथाओं का पालन करने के बजाय विशिष्ट मॉडल टियर पर अत्यधिक निर्भर करती है।
यह शोध पत्र एक व्यवस्थित मूल्यांकन ढांचा प्रस्तुत करता है जो यह प्रदर्शित करता है कि सांस्कृतिक रूप से संरेखित हस्तक्षेप, जैसे कि मूल-भाषा प्रॉम्प्टिंग और वन-शॉट लर्निंग, घृणास्पद मीम डिटेक्शन में विजन-लैंग्वेज मॉडल्स की क्रॉस-कल्चरल सुदृढ़ता में महत्वपूर्ण सुधार करते हैं, जबकि सामान्य "अनुवाद-फिर-डिटेक्ट" दृष्टिकोण प्रदर्शन में गिरावट और पश्चिमी पूर्वाग्रह की ओर ले जाता है।
यह शोध पत्र एक जनरेटिव फ्रेमवर्क प्रस्तावित करता है जिसमें मल्टीपल इंटेंट डिटेक्शन और स्लॉट फिलिंग को एक साथ संभालने के लिए एक अटेंशन-ओवर-अटेंशन डिकोडर है, जो सार्वजनिक और नए निर्मित मल्टी-इंटेंट डेटासेट्स पर अत्याधुनिक प्रदर्शन प्राप्त करता है।