11611 पेपर
यह शोध पत्र एक ट्रेस-ऑप्शनल (trace-optional) ढांचे को प्रस्तुत करता है जो बड़े भाषा मॉडलों (large language models) की तर्क दक्षता को व्याख्यात्मक कारकों—जैसे कि पूर्णता (completion), सशर्त शुद्धता (conditional correctness), और शब्दबहुलता (verbosity)—में विभाजित करता है ताकि यह प्रकट किया जा सके कि सटीकता और टोकन दक्षता अक्सर भिन्न होती हैं और अलग-अलग बाधा प्रोफाइल (bottleneck profiles) द्वारा संचालित होती हैं।
यह शोध पत्र AnalyticsGPT को प्रस्तुत करता है, जो एक एंड-टू-एंड LLM-संचालित वर्कफ़्लो है जो मेटा-वैज्ञानिक प्रश्नों को विघटित करने और अनुसंधान प्रदर्शन प्लेटफार्मों से डेटा को संश्लेषित करने के माध्यम से साइंटोमेट्रिक प्रश्नोत्तर के जटिल कार्य को संबोधित करने के लिए एजेंटिक अवधारणाओं और रिट्रीवल-ऑगमेंटेड जनरेशन का उपयोग करता है।
यह शोध पत्र प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) द्वारा उत्पन्न तर्क का उपयोग शैक्षिक संवाद में उनके अपने निर्देशात्मक मूव वर्गीकरणों की शुद्धता की भविष्यवाणी करने के लिए प्रभावी ढंग से किया जा सकता है, जो स्वचालित विश्लेषण में गुणवत्ता नियंत्रण के लिए एक स्केलेबल विधि प्रदान करता है।
यह अध्ययन एक चित्र-वर्णन कार्य के माध्यम से यह जांच करता है कि मंदारिन चीनी में वक्ता स्वाभाविक रूप से परिमाणीकरण (quantification) का उपयोग करने का निर्णय कैसे लेते हैं, जो यह प्रकट करता है कि वस्तु की संख्यात्मकता, सजीवता और उत्पादन पद्धति व्यवस्थित रूप से इस बात को प्रभावित करती है कि लोग मात्रा को कैसे, कितनी सटीकता से और किन रणनीतियों के माध्यम से व्यक्त करते हैं।
MEVER एक नवीन मल्टी-मोडल फ्रेमवर्क है जो एक दो-परत वाले मल्टी-मोडल ग्राफ और फ्यूजन-इन-डिकोडर आर्किटेक्चर का उपयोग करके संयुक्त साक्ष्य पुनर्प्राप्ति (joint evidence retrieval), दावा सत्यापन (claim verification) और स्पष्टीकरण निर्माण (explanation generation) करता है, जिसे AIChartClaim नामक एक नए पेश किए गए वैज्ञानिक डेटासेट द्वारा समर्थित किया गया है।
मानव गति-पाठ क्रॉस-मोडल रिट्रीवल (human motion-text cross-modal retrieval) में अंतराल को संबोधित करने के लिए, यह शोध पत्र एक डुअल-यूनिमॉडल ट्रांसफॉर्मर एनकोडर (dual-unimodal transformer encoder) के साथ एक नवीन "ड्रॉपट्रिपल लॉस" (DropTriple Loss) का प्रस्ताव करता है जो वास्तव में कठिन नकारात्मक नमूनों (genuinely hard negatives) को खोजने पर ध्यान केंद्रित करने के लिए गलत नकारात्मक नमूनों (false negative samples) को फ़िल्टर करके प्रदर्शन में सुधार करता है।
YaRN, रोटरी पोज़िशन एम्बेडिंग्स (RoPE) का उपयोग करके लार्ज लैंग्वेज मॉडल्स के कॉन्टेक्स्ट विंडो को विस्तारित करने की एक कंप्यूट-कुशल विधि है, जिसके लिए पिछले तरीकों की तुलना में काफी कम टोकन और ट्रेनिंग स्टेप्स की आवश्यकता होती है और यह बेहतर प्रदर्शन एवं एक्सट्रपलेशन क्षमताओं को प्राप्त करती है।
यह शोध पत्र इस बात की जांच करता है कि लार्ज लैंग्वेज मॉडल्स अंग्रेजी विशेषण क्रम वरीयताओं को कैसे प्राप्त करते हैं, जिसमें यह पाया गया है कि जबकि उनके पूर्वानुमान काफी हद तक प्रशिक्षण डेटा की आवृत्तियों को दर्शाते हैं, वे अनदेखी संयोजनों के प्रति मजबूत सामान्यीकरण भी प्रदर्शित करते हैं और सरल रटने से परे प्रासंगिक संकेतों का प्रभावी ढंग से लाभ उठाते हैं।
यह शोध पत्र मानसिक स्वास्थ्य की गंभीरता का पूर्वानुमान लगाने में एलएलएम (LLMs) के प्रदर्शन का मूल्यांकन करने के लिए छह भाषाओं में अनुवादित एक नवीन बहुभाषी डेटासेट प्रस्तुत करता है, जो महत्वपूर्ण क्रॉस-लिंग्विस्टिक प्रदर्शन परिवर्तनशीलता को प्रकट करता है और वैश्विक चिकित्सा संदर्भों में इन मॉडलों के उपयोग के जोखिमों और लागत-प्रभावशीलता को उजागर करता है।
Rare एक ऐसी विधि है जो एनकोडर-ओनली टेक्स्ट रिट्रीवर्स के प्रदर्शन और आउट-ऑफ-डोमेन सामान्यीकरण को बढ़ाने के लिए उन्हें इन-कॉन्टेक्स्ट उदाहरणों के रूप में अर्थपूर्ण रूप से समान क्वेरी-दस्तावेज़ युग्मों का उपयोग करने के लिए फाइन-ट्यून करती है।