9931 पेपर
MADRAG एक प्रशिक्षण-मुक्त (training-free) ढांचा है जो विश्लेषणात्मक निबंध स्कोरिंग को बेहतर बनाने के लिए मल्टी-एजेंट डिबेट को रिट्रीवल-ऑगमेंटेड ग्राउंडिंग के साथ जोड़ता है ताकि मानक LLM-एज़-जज दृष्टिकोणों के पूर्वाग्रह और अस्थिरता को कम करते हुए पर्यवेक्षित प्रणालियों (supervised systems) के तुलनीय प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र विभिन्न भाषाई जटिलता के साथ प्रतिक्रियाएं उत्पन्न करने की बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) की क्षमता का आकलन करने के लिए एक नए ढांचे का प्रस्ताव करता है और उसका मूल्यांकन करता है, जो यह प्रकट करता है कि वर्तमान मॉडल उपयोगकर्ता की आवश्यकताओं के अनुरूप अपनी आउटपुट शैली को लगातार समायोजित करने में संघर्ष करते हैं, जिसमें सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल भी केवल 46% मामलों में ही सफल हो पाया।
यह शोधपत्र जीनोमिक फाउंडेशन मॉडल्स में अनुक्रम पूर्वानुमेयता (sequence predictability) को वास्तविक नियामक संकेत (true regulatory signal) से अलग करने के लिए एक रेसिडुअलाइजेशन-एंड-परम्यूटेशन डायग्नोस्टिक पेश करता है, जो यह प्रकट करता है कि जबकि एक 10kb प्रॉक्सिमल रेगुलेटरी होराइजन सुदृढ़ है, मॉडल-व्युत्पन्न तत्व पदानुक्रम अक्सर जीव विज्ञान के बजाय पूर्वानुमेयता आर्टिफैक्ट्स को दर्शाते हैं, जिसमें केवल ब्रेन eQTL-समृद्ध तत्व ही कठोर क्रॉस-वैलिडेशन में जीवित रहते हैं।
यह शोध पत्र Translate-R1 को प्रस्तुत करता है, जो एक लागत-सचेत (cost-aware) अनुवाद टूल उपयोग प्रणाली है जो इनपुट का अनुवाद कब करना है, यह गतिशील रूप से निर्णय लेने के लिए एक कॉन्फिडेंस-गेटेड पॉलिसी (confidence-gated policy) के साथ सुदृढीकरण शिक्षण (reinforcement learning) का उपयोग करती है, जिससे स्थिर या अति-आत्मविश्वासी बेसलाइन की तुलना में विभिन्न भाषाओं और डोमेन में प्रदर्शन में उल्लेखनीय सुधार होता है और साथ ही अनुवाद लागत भी कम होती है।
यह शोध पत्र एक "चरैक्टराइज़ देन डिस्टिल" (Characterize Then Distill) फ्रेमवर्क प्रस्तावित करता है जो व्यापक उम्मीदवार शॉर्टलिस्टिंग के बाद सूक्ष्म चयन की दो-चरणीय तर्क प्रक्रिया की पहचान करके और उसे डिस्टिल करके मल्टी-लेबल कार्यों पर लार्ज लैंग्वेज मॉडल के प्रदर्शन में सुधार करता है।
यह शोध पत्र CRAFT को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो एकल-दिशात्मक अनुमान की सीमाओं को दूर करने और जटिल डेटासेट पर बेहतर प्रदर्शन प्राप्त करने के लिए द्विदिश प्रतितथ्यात्मक तर्क प्रक्रिया (bidirectional counterfactual reasoning process) को नियोजित करके बड़े भाषा मॉडलों में तालिका तर्क (table reasoning) और तथ्य सत्यापन (fact verification) को बढ़ाता है।
यह शोध पत्र ऑगमेंटेड स्पार्स एनकोडिंग मॉडल्स (Augmented Sparse Encoding Models) का परिचय देता है, जो 7T fMRI डेटा की व्याख्या करने के लिए पदानुक्रमित रूप से व्यवस्थित स्पार्स ऑटोएनकोडर फीचर्स और सरप्राइज़ल (surprisal) का उपयोग करते हैं, जिससे यह पता चलता है कि मानव भाषा प्रांतस्था (language cortex) कृत्रिम भाषा मॉडलों द्वारा कैप्चर की गई मनमानी प्रस्तुतियों के बजाय सबसे सामान्य जानकारी के साथ संरेखित होती है।
यह शोध पत्र COVA-X को प्रस्तुत करता है, जो एक विस्तारित सिंथेटिक मल्टी-टर्न स्मिशिंग डेटासेट है जो पूर्ववर्ती डेटा गुणवत्ता और आकार की सीमाओं को हल करता है, और यह प्रदर्शित करता है कि बड़े, परिष्कृत संवादात्मक कॉर्पोरा पर प्रशिक्षित होने पर Longformer मॉडल, डिटेक्शन सटीकता और F1 स्कोर में XGBoost की तुलना में काफी बेहतर प्रदर्शन करते हैं।
EASE-TTT एक नवीन ढांचा है जो इन-कॉन्टेक्स्ट रिट्रीवल को चयनात्मक टेस्ट-टाइम ट्रेनिंग के साथ एकीकृत करके छोटे भाषा मॉडलों के लिए लॉन्ग-कॉन्टेक्स्ट प्रश्न उत्तर क्षमता को बढ़ाता है, जिसमें पूर्ण संदर्भ से बेहतर उत्तर उत्पन्न करने के लिए साक्ष्य-व्युत्पन्न सॉफ्ट अटेंशन लक्ष्यों का उपयोग करके क्वेरी-साइड मापदंडों को अनुकूलित किया जाता है।
यह शोधपत्र ThinkBooster को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जिसमें एक मॉड्यूलर लाइब्रेरी, एक व्यापक बेंचमार्क और एक तैनात करने योग्य प्रॉक्सी सेवा शामिल है, जो प्रदर्शन-लागत ट्रेड-ऑफ का विश्लेषण करते हुए LLM तर्क (reasoning) को बेहतर बनाने के लिए टेस्ट-टाइम कंप्यूट स्केलिंग रणनीतियों के मूल्यांकन और व्यावहारिक अनुप्रयोग को मानकीकृत करता है।