9552 पेपर
यह अध्ययन प्रकट करता है कि प्रीफिल-आधारित जेलब्रेक सुरक्षा को एक उथले, रिस्पॉन्स-साइट कंप्यूटेशन का लाभ उठाकर दरकिनार कर देते हैं जहाँ मॉडल का हानिकारक निरंतरता (continuation) मुख्य रूप से प्रारंभिक "Sure, here is" प्रॉम्प्ट पर निष्क्रिय ऑटो-रिग्रेसिव कंडीशनिंग द्वारा संचालित होता है, न कि एक अक्षुण्ण हानि प्रतिनिधित्व (harm representation) के दमन द्वारा।
मेमोहारनेस (MemoHarness) एक अनुकूली एजेंट अनुकूलन ढांचा है जो नियंत्रण परत को छह आयामों में विभाजित करके और पिछले निष्पादनों से प्राप्त दोहरी-परत अनुभव बैंक का उपयोग करके प्रत्येक मामले के लिए हार्नेस कॉन्फ़िगरेशन को गतिशील रूप से अनुकूलित करके, बिना किसी टेस्ट-टाइम लेबल या अतिरिक्त खोज की आवश्यकता के, विविध कार्यों में एलएलएम (LLM) प्रदर्शन को बढ़ाता है।
यह अध्ययन प्रदर्शित करता है कि रेडियोलॉजी रिपोर्टों पर फेडरेटेड लर्निंग ग्रेडिएंट-आधारित गोपनीयता रिसाव के प्रति संवेदनशील है, जहाँ उपयोग किए गए टोकेनाइज़र के बावजूद संवेदनशील नैदानिक पाठ को उच्च सटीकता के साथ पुनर्गठित किया जा सकता है, जो यह दर्शाता है कि सुरक्षित एकत्रीकरण या डिफरेंशियल प्राइवेसी जैसे अतिरिक्त सुरक्षा उपायों के बिना केवल डोमेन-विशिष्ट टोकेनाइज़र ही रोगी की गोपनीयता की रक्षा करने के लिए पर्याप्त नहीं हैं।
यह शोध पत्र "कॉन्सेप्ट चेनिंग" (Concept Chaining) का परिचय देता है, जो एक ऐसी विधि है जो बड़े भाषा मॉडलों (large language models) की तर्क संबंधी भंगुरता (reasoning fragility) का लाभ उठाती है, जिसमें प्रश्न संबंधी संस्थाओं (entities) को मध्यवर्ती अवधारणाओं के माध्यम से लक्षित उत्तर से जोड़ने वाले लघु, प्राकृतिक-भाषा अनुच्छेदों पर प्रीट्रेनिंग जारी रखकर, बिना किसी स्पष्ट निर्देश या प्रत्यक्ष संकेतों के मॉडल के भविष्यवाणियों को गुप्त रूप से निर्देशित किया जाता है।
यह शोध पत्र मल्टी-हेड लेटेंट कंट्रोल (Multi-Head Latent Control) को प्रस्तुत करता है, जो एक हल्का, पोस्ट-हॉक इंटरफ़ेस है जो टूल उपयोग, स्पष्टीकरण, या अधिक शक्तिशाली मॉडलों को विलंब (deferral) जैसे निर्णयों के लिए गतिशील रूप से नियंत्रण संकेत उत्पन्न करने हेतु फ्रोजन (frozen) LLMs या VLMs से हिडन-स्टेट प्रक्षेपवक्र (hidden-state trajectories) को पढ़ता है, जिससे अंतर्निहित बैकबोन को संशोधित किए बिना बड़े मॉडल के उपयोग को काफी कम किया जाता है और टूल-उपयोग की सटीकता में सुधार किया जाता है।
यह अध्ययन 20-आइटम वाले जेनेरेटिव एआई रिलायंस टाइप्स स्केल (GenAI-RTS) के विकास और बहु-स्रोत सत्यापन को प्रस्तुत करता है, जो एक मनोवैज्ञानिक रूप से सुदृढ़ उपकरण है जो स्नातक छात्रों के बीच चार विशिष्ट निर्भरता प्रोफाइल की पहचान करता है और विविध छात्र जनसांख्यिकी में मापन अपरिवर्तनीयता प्रदर्शित करता है।
PReM एक नवीन संदर्भ-संपीड़न (context-compression) ढांचा है जो एक समर्पित मेमोरी लेयर और विशेष टोकन के माध्यम से आंतरिक लेयर-वार KV मेमोरी को संरक्षित और रिफ्रेश करना गतिशील रूप से सीखता है, जिससे बाहरी संपीड़कों पर निर्भर किए बिना या समयपूर्व प्रतिधारण निर्णय लिए बिना कुशल दीर्घ-संदर्भ अनुमान (long-context inference) सक्षम होता है।
HABIB_TAZ सिस्टम ने सिंथेटिक सिलोगिस्टिक डेटा पर प्रशिक्षित mDeBERTa-v3 मॉडल्स और मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन का उपयोग करके, कई भाषाओं में औपचारिक तर्क (formal logic) को सामग्री पूर्वाग्रह (content bias) से प्रभावी ढंग से अलग करते हुए SemEval-2026 टास्क 11 में शीर्ष रैंकिंग हासिल की।
यह शोध पत्र MamaBench प्रस्तुत करता है, जो मातृ और बाल चिकित्सा AI के लिए पहला काउंटरफैक्चुअल बेंचमार्क है जो फ्रंटियर LLMs में महत्वपूर्ण मजबूती संबंधी अंतराल (robustness gaps) को प्रकट करता है, और एक एविडेंस-एंकरड (Evidence-Anchored) RAG विधि प्रस्तावित करता है जो नैदानिक सटीकता बनाए रखते हुए बायस ट्रैप रेट (Bias Trap Rate) को काफी कम कर देता है।
यह शोध पत्र यह प्रदर्शित करता है कि भाषा-मॉडल की ईमानदारी का मूल्यांकन उपकरण डिजाइन के विकल्पों—जैसे कि निर्णय व्याकरण (verdict grammar), प्रकटीकरण स्पष्टता और रन स्थिरता—के प्रति अत्यधिक संवेदनशील है, न कि निश्चित मॉडल प्रवृत्तियों को दर्शाता है, जिससे भविष्य के आकलन के लिए एक कठोर, ऑडिट योग्य अखंडता प्रोटोकॉल का समर्थन मिलता है।