9802 पेपर
यह शोध पत्र ToxSyn-PT को प्रस्तुत करता है, जो नौ अल्पसंख्यक समूहों के सूक्ष्म, बहु-लेबल घृणा भाषण एनोटेशन और आवश्यक गैर-विषाक्त प्रति-उदाहरणों के साथ वाला पहला बड़े पैमाने का, सिंथेटिक पुर्तगाली डेटासेट है, जो यह प्रकट करता है कि सोशल मीडिया डेटा पर प्रशिक्षित मॉडल अल्पसंख्यक-विशिष्ट संदर्भों में सामान्यीकरण करने में विफल रहते हैं और मानक मूल्यांकन मेट्रिक्स की सीमाओं को उजागर करता है।
यह शोध पत्र नीडलचेन (NeedleChain) का परिचय देता है, जो एक कठोर बेंचमार्क है यह प्रदर्शित करता है कि वर्तमान एलएलएम (LLMs) संक्षिप्त, पूर्णतः प्रासंगिक संदर्भों को एकीकृत करने में संघर्ष करते हैं, और पूर्ण-संदर्भ समझ में सुधार के लिए एक प्रशिक्षण-मुक्त 'रोप कॉन्ट्रैक्शन' (ROPE contraction) रणनीति प्रस्तावित करता है।
यह शोध पत्र GREP को प्रस्तुत करता है, जो एक मल्टी-टर्न मूल्यांकन ढांचा है जो विशेषज्ञ प्राथमिकताओं के साथ संरेखित होकर और मानक LLM-आधारित जजों से बेहतर प्रदर्शन करते हुए, सूक्ष्म मानदंडों और विरोधाभासी उदाहरणों को एकीकृत करके स्वचालित संबंधित कार्य (related work) पीढ़ी का मजबूती से आकलन करता है।
प्रोमेड (ProMed) एक सुदृढीकरण अधिगम (reinforcement learning) ढांचा है जो चिकित्सा संबंधी लार्ज लैंग्वेज मॉडल्स को एक सक्रिय प्रश्न पूछने वाले प्रतिमान (proactive questioning paradigm) से सुसज्जित करता है, जिसमें नैदानिक रूप से मूल्यवान जानकारी एकत्र करने को प्राथमिकता देने के लिए 'शैप्ली इंफॉर्मेशन गेन' (Shapley Information Gain) रिवॉर्ड का उपयोग किया जाता है, जो नैदानिक सटीकता और सामान्यीकरण में मौजूदा प्रतिक्रियात्मक विधियों की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र अटेंशन स्कोर की फीचर एट्रिब्यूशन सैलिएंसी मैप्स के साथ तुलना करके स्पीच-टू-टेक्स्ट मॉडल्स में क्रॉस-अटेंशन की व्याख्यात्मक शक्ति का मूल्यांकन करता है, जिससे यह पता चलता है कि हालांकि वे मध्यम से मजबूत संरेखण दिखाते हैं, लेकिन क्रॉस-अटेंशन इनपुट प्रासंगिकता का केवल लगभग आधा हिस्सा ही कैप्चर करता है और इस प्रकार मॉडल भविष्यवाणियों को संचालित करने वाले कारकों का एक अधूरा दृश्य प्रस्तुत करता है।
यह शोध पत्र SIMSplat को प्रस्तुत करता है, जो एक भाषा-संरेखित (language-aligned) 4D गॉसियन स्प्लेटिंग फ्रेमवर्क है जो वास्तविक दुनिया के सेंसर डेटा से स्केलेबल, प्रतिक्रियाशील और भौतिक रूप से सुसंगत ड्राइविंग परिदृश्य निर्माण को सक्षम करने के लिए सीन ग्राउंडिंग, प्राकृतिक भाषा-संचालित संपादन और मल्टी-एजेंट सिमुलेशन को एकीकृत करता है।
यह शोध पत्र प्रदर्शित करता है कि सुपरवाइज्ड फाइन-ट्यूनिंग बड़े भाषा मॉडलों की अनिश्चितता व्यक्त करने की क्षमता और सटीकता के साथ आत्मविश्वास को संरेखित करने की क्षमता में सुधार कर सकती है, हालांकि ये मेटाकॉग्निटिव लाभ विभिन्न कॉन्फिडेंस असेसमेंट फॉर्मेट्स की तुलना में विभिन्न डोमेन में बेहतर तरीके से सामान्यीकृत होते हैं, जिसमें मल्टीटास्क ट्रेनिंग सबसे सुदृढ़ सामान्यीकरण प्रदान करती है।
यह अध्ययन प्रदर्शित करता है कि मानव और एलएलएम (LLM) दोनों ही सामान्य ज्ञान वाले उत्तरों के तर्कसंगतता संबंधी निर्णयों में एलएलएम द्वारा निर्मित तर्कों से महत्वपूर्ण रूप से प्रभावित होते हैं, जो मानव संज्ञान के अध्ययन के लिए एक नवीन विधि को उजागर करता है और सामान्य ज्ञान के क्षेत्रों में भी मानवीय विश्वासों को अनुचित रूप से प्रभावित करने की एआई (AI) की क्षमता के बारे में चिंताएँ बढ़ाता है।
यह शोध पत्र प्रकट करता है कि लार्ज लैंग्वेज मॉडल्स में सुरक्षा संरेखण (सेफ्टी अलाइनमेंट) प्रशिक्षण अक्सर सांस्कृतिक ज्ञान को मिटाने के बजाय उसे दबा देता है, जिससे एक असमान "अलाइनमेंट वीटो" उत्पन्न होता है जहाँ आंतरिक प्रतिनिधित्व सटीक रहते हैं लेकिन आउटपुट के स्तर पर बाधित हो जाते हैं, जिसके परिणामस्वरूप विभिन्न राष्ट्रों और भाषाओं के बीच महत्वपूर्ण सुरक्षा लागत और गुणवत्ता अंतराल पैदा होते हैं।
यह शोध पत्र 'कौमेलियन बेंचमार्क' (Chameleon Benchmark) को प्रस्तुत करता है जो यह प्रकट करता है कि सर्च-सक्षम लार्ज लैंग्वेज मॉडल्स (LLMs) गंभीर "कौमेलियन व्यवहार" प्रदर्शित करते हैं—सीमित ज्ञान विविधता और क्वेरी फ्रेमिंग पर अत्यधिक निर्भरता के कारण बहु-चरणीय (multi-turn) बातचीत में व्यवस्थित रूप से अपने रुख बदलते हैं—जो स्वास्थ्य सेवा और कानून जैसे उच्च-जोखिम वाले क्षेत्रों के लिए महत्वपूर्ण विश्वसनीयता जोखिम पैदा करते हैं।