11683 पेपर
QuESTER एक हल्का, सुदृढीकरण शिक्षण (reinforcement learning) द्वारा प्रशिक्षित ढांचा है जो जेनेरेटिव रिट्रीवल और क्वेरी रीफॉर्मुलेशन के बीच एक सेतु का कार्य करता है, जो मानक लेक्सिकल रिट्रीवर्स के लिए स्पष्ट कीवर्ड विनिर्देश (keyword specifications) उत्पन्न करके, पारंपरिक इंडेक्सिंग की दक्षता और स्केलेबिलिटी बनाए रखते हुए न्यूरल IR बेसलाइनों के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।
यह एकल-आर्म नैचरलिस्टिक ऑब्जर्वेशनल स्टडी प्रदर्शित करती है कि एक विशेष रूप से निर्मित जेनेरेटिव एआई फाउंडेशन मॉडल सुलभ, आकर्षक, प्रभावी और सुरक्षित मानसिक स्वास्थ्य सहायता प्रदान कर सकता है, जिसका प्रमाण 10 सप्ताह की अवधि में अवसाद और चिंता के लक्षणों में महत्वपूर्ण और निरंतर कमी के साथ-साथ आशा और सामाजिक जुड़ाव में सुधार है।
यह शोध पत्र एसर्शन-कंडीशन्ड कंप्लायंस (A-CC) को प्रस्तुत करता है, जो एक नवीन मूल्यांकन प्रतिमान (इवैल्यूएशन पैराडाइम) है जो भ्रामक उपयोगकर्ता दावों (असर्शन्स) के प्रति चापलूसी (सिकाफैंसी) और विरोधाभासी सिस्टम नीतियों के अनुपालन के प्रति मल्टी-टर्न टूल-कॉलिंग एजेंटों की संवेदनशीलता को प्रदर्शित करके उनकी महत्वपूर्ण कमजोरियों को उजागर करता है।
यह अनुभवजन्य अध्ययन तीन मतिभ्रम-न्यूनीकरण तकनीकों (चेन ऑफ वेरिफिकेशन, डिकोडिंग बाय कॉन्ट्रास्टिंग लेयर्स, और रिट्रीवल-ऑगमेंटेड जनरेशन) के एलएलएम (LLM) रचनात्मकता पर पड़ने वाले प्रभाव की जांच करता है, जो यह प्रकट करता है कि जहाँ चेन ऑफ वेरिफिकेशन अपसारी सोच (divergent thinking) को बढ़ाता है और डिकोडिंग बाय कॉन्ट्रास्टिंग लेयर्स इसे दबा देता है, वहीं रिट्रीवल-ऑगमेंटेड जनरेशन का प्रभाव न्यूनतम है, जिससे वैज्ञानिक अनुप्रयोगों में तथ्यात्मक सटीकता और रचनात्मक अन्वेषण के बीच संतुलन बनाने के लिए महत्वपूर्ण मार्गदर्शन प्राप्त होता है।
यह शोध पत्र MARKET-BENCH प्रस्तुत करता है, जो एक ऐसा बेंचमार्क है जो बड़े भाषा मॉडलों (LLMs) का प्रारंभिक मात्रात्मक ट्रेडिंग कार्यों पर मूल्यांकन करता है, जिसके लिए उन्हें प्राकृतिक भाषा विवरणों से निष्पादन योग्य बैकटेस्टर्स उत्पन्न करने की आवश्यकता होती है, जिससे यह पता चलता है कि हालांकि वर्तमान मॉडल बुनियादी ट्रेडिंग इंफ्रास्ट्रक्चर को विश्वसनीय रूप से तैयार कर सकते हैं, फिर भी वे कीमतों, इन्वेंट्री और जोखिम के बारे में मजबूत तर्क करने में संघर्ष करते हैं।
यह शोधपत्र RiskCueBench प्रस्तुत करता है, जो एक नया बेंचमार्क है जिसे वीडियो-भाषा मॉडलों की पूर्ण वीडियो अनुक्रमों के बजाय शुरुआती दृश्य संकेतों से जोखिम भरी घटनाओं का पूर्वानुमान लगाने की क्षमता का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो वास्तविक दुनिया के सुरक्षा परिदृश्यों में वर्तमान प्रणालियों की प्रत्याशित तर्क करने की क्षमता में एक महत्वपूर्ण अंतर को प्रकट करता है।
यह शोध पत्र एक मास्टरी-गेटेड (mastery-gated), सॉफ्ट रीइन्फोर्समेंट लर्निंग फ्रेमवर्क प्रस्तुत करता है जो केवल सही समाधान मिलने के बाद अनावश्यक विस्तार को दंडित करके चेन-ऑफ-थॉट रीजनिंग को गतिशील रूप से संकुचित करता है, जिससे विविध डोमेन में सटीकता को बनाए रखते हुए या उसमें सुधार करते हुए टोकन की लंबाई और इन्फरेंस राउंड्स में महत्वपूर्ण कमी आती है।
DARC एक दो-चरणीय, मॉडल-अज्ञेय (model-agnostic) ढांचा है जो एक कठिनाई-कैलिब्रेटेड प्रश्नकर्ता (Questioner) और एक असममित रूप से स्व-निष्पादित (asymmetrically self-distilled) सॉल्वर (Solver) के प्रशिक्षण को अलग करके LLM स्व-विकास को स्थिर करता है, जिससे मानव एनोटेशन पर निर्भर किए बिना रीजनिंग बेंचमार्क में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र ExpNet को प्रस्तुत करता है, जो एक हल्का न्यूरल नेटवर्क है जो ट्रांसफार्मर अटेंशन पैटर्न को टोकन-स्तर के महत्व स्कोर में मैप करना स्वचालित रूप से सीखता है, जो मौजूदा नियम-आधारित अटेंशन एग्रीगेशन और मॉडल-अग्नोस्टिक एक्सप्लेनेशन विधियों के अधिक अनुकूल और गणनात्मक रूप से कुशल विकल्प प्रदान करता है।
यह शोध पत्र Call2Instruct को प्रस्तुत करता है, जो एक स्वचालित एंड-टू-एंड पाइपलाइन है जो ऑडियो प्रोसेसिंग, टेक्स्ट क्लीनिंग और सिमेंटिक मैचिंग की बहु-चरणीय प्रक्रिया के माध्यम से शोर वाले कॉल सेंटर ऑडियो रिकॉर्डिंग को LLM फाइन-ट्यूनिंग के लिए उच्च-गुणवत्ता वाले Q&A निर्देशात्मक डेटासेट में परिवर्तित करता है, जिसे Llama 2 7B मॉडल को फाइन-ट्यून करके सफलतापूर्वक प्रदर्शित किया गया है।