11611 पेपर
यह शोध पत्र 50 देशों और 33 भाषाओं में राजनीतिक पूर्वाग्रह के एक बड़े पैमाने के बहुभाषी मूल्यांकन के साथ-साथ क्रॉस-लिंगुअल अलाइनमेंट स्टीयरिंग (CLAS) नामक एक नवीन शमन ढांचे को प्रस्तुत करता है, जो प्रतिक्रिया की गुणवत्ता को बनाए रखते हुए भाषाओं के बीच लेटेंट रिप्रेजेंटेशन (latent representations) को संरेखित करके वैचारिक पूर्वाग्रह को कम करता है।
TABES ने Backward-on-Entropy (BoE) Steering पेश किया है, जो एक ग्रेडिएंट-निर्देशित इन्फरेंस फ्रेमवर्क है जो एक सिंगल बैकवर्ड पास और एक स्पार्स अटेंशन मैकेनिज्म का उपयोग करके Masked Diffusion Models में भविष्य की अनिश्चितता को कम करता है, जो कि महंगी सर्च-आधारित सैंपलिंग के लिए एक अधिक कुशल और गणितीय रूप से सिद्धांत-आधारित विकल्प प्रदान करता है।
इवेंटकास्ट (EventCast) एक मॉड्यूलर पूर्वानुमान ढांचा है जो उच्च-प्रभाव वाले अवधियों के दौरान ई-कॉमर्स मांग की भविष्यवाणी में सुधार करता है, जिसमें बड़े भाषा मॉडल (Large Language Models) का उपयोग करके असंरचित व्यावसायिक डेटा को व्याख्या योग्य इवेंट सारांशों में परिवर्तित किया जाता है, जिन्हें फिर एक ड्यूल-टावर आर्किटेक्चर के माध्यम से ऐतिहासिक टाइम-सीरीज डेटा के साथ संलयित (fuse) किया जाता है।
AntigenLM एक संरचना-जागरूक (structure-aware) DNA भाषा मॉडल है जिसे अखंड इन्फ्लुएंजा जीनोमिक इकाइयों पर प्रीट्रेन किया गया है जो आवश्यक विकासवादी बाधाओं को कैप्चर करके भविष्य के एंटीजेनिक वेरिएंट्स की भविष्यवाणी करने और उपप्रकारों को वर्गीकृत करने में मौजूदा तरीकों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक नए डेटासेट और यांत्रिक विश्लेषण के माध्यम से ओम्नी-मोडल लार्ज लैंग्वेज मॉडल्स (OLLMs) में "मिड-लेयर डिसोल्यूशन" (Mid-layer Dissolution) भेद्यता की पहचान करता है, और **OmniSteer** का प्रस्ताव करता है, जो एक हल्का एलाइनमेंट तरीका है जो सामान्य क्षमताओं से समझौता किए बिना क्रॉस-मोडल सुरक्षा जोखिमों को प्रभावी ढंग से कम करने के लिए एक गोल्डन रिफ्यूज़ल वेक्टर (golden refusal vector) का उपयोग करता है।
यह शोध पत्र **ब्लॉकवाइज़ एडवांटेज एस्टीमेशन (Blockwise Advantage Estimation)** का प्रस्ताव करता है, जो मल्टी-ऑब्जेक्टिव रिइन्फोर्समेंट लर्निंग के लिए एक ऐसी विधि है जो एक कुशल, आउटकम-कंडीशन्ड बेसलाइन का उपयोग करके स्ट्रक्चर्ड जनरेशन में ऑब्जेक्टिव इंटरफेरेंस को कम करती है, जो महंगे नेस्टेड रोलआउट्स से बचते हुए विशिष्ट टेक्स्ट सेगमेंट को उनके अनुरूप एडवांटेज असाइन करती है।
कैम्पिडानीज़ सार्डिनियन के लिए एक Wav2Vec2 मॉडल पर लेयर-वाइज़ डिकोडिंग लागू करके, यह अध्ययन प्रदर्शित करता है कि मध्यवर्ती परतें अक्सर अंतिम परत की तुलना में अधिक ध्वन्यात्मक रूप से सटीक प्रतिनिधित्व प्रदान करती हैं, जो यह सुझाव देता है कि गहरी परतें आवश्यक ध्वनिक विवरणों से दूर जाकर "प्रतिगामी त्रुटियाँ" (regressive errors) उत्पन्न कर सकती हैं।
ACuRL एक स्वायत्त पाठ्यक्रम सुदृढीकरण शिक्षण (curriculum reinforcement learning) ढांचा है जो कंप्यूटर-उपयोग एजेंटों को एक कार्य जनरेटर के माध्यम से अनुकूलित प्रशिक्षण कार्यों को संश्लेषित करने और विश्वसनीय फीडबैक के लिए एक मजबूत स्वचालित मूल्यांकनकर्ता का उपयोग करके, बिना मानव एनोटेशन के विविध डिजिटल वातावरणों में निरंतर अनुकूलित होने में सक्षम बनाता है।
यह शोध पत्र एक सिद्धांत-आधारित हार्डवेयर-सॉफ्टवेयर सह-डिज़ाइन फ्रेमवर्क प्रस्तावित करता है जो मॉडल सटीकता और अनुमान विलंबता (इन्फरेंस लेटेंसी) को संयुक्त रूप से अनुकूलित करने के लिए स्केलिंग लॉ और रूफ्लाइन मॉडलिंग का उपयोग करता है, जिससे संसाधन-सीमित ऑन-डिवाइस LLM परिनियोजन के लिए पारेटो-इष्टतम आर्किटेक्चर की तीव्र पहचान संभव हो पाती है।
यह शोध पत्र तर्क देता है कि अपघटन-आधारित दावा सत्यापन (decomposition-based claim verification) केवल तभी सफल होता है जब साक्ष्य सूक्ष्म (granular) हों और उप-दावों के साथ कड़ाई से संरेखित हों, जो यह दर्शाता है कि बार-बार दावे-स्तरीय साक्ष्य का उपयोग करने वाले मानक सेटअप अक्सर विफल हो जाते हैं और मॉडल की मजबूती रूढ़िवादी परहेज (conservative abstention) के माध्यम से त्रुटि प्रसार (error propagation) को प्रबंधित करने पर निर्भर करती है।