10206 पेपर
यह शोध पत्र Draft-OPD को प्रस्तुत करता है, जो एक ऑन-पॉलिसी डिस्टिलेशन फ्रेमवर्क है जो टारगेट-असिस्टेड रोलआउट्स और एरर पोजीशन से ड्राफ्टिंग को रीप्ले करने का उपयोग करके थिंकिंग मॉडल्स के लिए 5 गुना से अधिक लॉसलेस एक्सेलेरेशन प्राप्त करने के लिए स्पेकुलेटिव डिकोडिंग हेतु सुपरवाइज्ड फाइन-ट्यूनिंग की सीमाओं को दूर करता है।
X (पूर्व में ट्विटर) के विमर्श का यह कम्प्यूटेशनल विश्लेषण एक महत्वपूर्ण और सुदृढ़ प्रवर्धन विषमता (amplification asymmetry) को प्रकट करता है जहाँ एआई-संचालित छंटनी के संबंध में तकनीकी कार्यकारियों और एआई शोधकर्ताओं के आख्यानों को निकाले गए श्रमिकों की तुलना में काफी अधिक पहुंच प्राप्त होती है, एक ऐसा अंतर जो फॉलोअर संख्या के लिए सामान्यीकरण करने के बाद भी बना रहता है और X की प्लेटफॉर्म वास्तुकला के विशिष्ट प्रतीत होता है।
यह शोध पत्र BrahmicTokenizer-131K को प्रस्तुत करता है, जो OpenAI के o200k_base का एक ड्रॉप-इन रिप्लेसमेंट है, जो अंग्रेजी, कोड और गणित संबंधी कार्यों पर प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए एक सर्जिकल वोकैबुलरी रेट्रोफिट के माध्यम से भारतीय भाषाओं के लिए बेहतर संपीड़न (compression) प्राप्त करता है।
यह शोध पत्र "लेटेंट टर्म्स" (Latent Terms) प्रस्तुत करता है, जो एक ऐसी विधि है जो यह प्रदर्शित करती है कि डेंस रिट्रीवल मॉडल स्वाभाविक रूप से ऐसे निरूपण (representations) सीखते हैं जिन्हें स्पार्स ऑटोएनकोडर्स (sparse autoencoders) के माध्यम से आसानी से ज़िपफ़ियन-वितरित (Zipfian-distributed) शब्दावलियों में विघटित किया जा सकता है जो BM25 स्कोरिंग के लिए उपयुक्त हैं, जिससे बिना किसी अतिरिक्त पर्यवेक्षण या विस्तार उद्देश्यों के उच्च-प्रदर्शन वाली स्पार्स रिट्रीवल सक्षम होती है।
यह शोध पत्र PiSAR बेंचमार्क प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि जबकि 12,929-टुपल (tuple) स्क्रीन-कंडीशन्ड एक्शन कॉर्पस पर सुपरवाइज्ड फाइन-ट्यूनिंग Qwen3-VL-8B जैसे छोटे मॉडलों के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाती है, वही ट्रेनिंग रेसिपी Gemma-4-26B जैसे बड़े, रीजनिंग-ट्यून्ड मॉडलों को सुधारने में विफल रहती है, जो फाइन-ट्यूनिंग रणनीतियों और मॉडल क्षमताओं के बीच एक महत्वपूर्ण आर्किटेक्चर-संवेदी बेमेल (mismatch) को प्रकट करती है।
यह शोध पत्र एजेंटिक एएसआर (Agentic ASR) का प्रस्ताव करता है, जो एक क्लोज्ड-लूप फ्रेमवर्क है जो स्पीच रिकग्निशन को मानव संचार के साथ बेहतर तालमेल बिठाने के लिए एक मल्टी-टर्न इंटरैक्टिव रिफाइनमेंट कार्य में परिवर्तित करता है, जिसमें एक नया सिमेंटिक इवैल्यूएशन मेट्रिक () पेश किया गया है और पारंपरिक टोकन-लेवल दृष्टिकोणों की तुलना में अर्थ-महत्वपूर्ण त्रुटियों को सुधारने में महत्वपूर्ण सुधार प्रदर्शित किया गया है।
AliMark एक सुदृढ़ वाक्य-स्तरीय वॉटरमार्किंग फ्रेमवर्क है जो डिटेक्शन को बिट अनुक्रम संरेखण (bit sequence alignment) समस्या के रूप में पुनर्गठित करता है और वाक्य विभाजन और विलय जैसे संरचनात्मक व्यवधानों का प्रभावी ढंग से सामना करने के लिए एडेप्टिव पुनर्गठित टेक्स्ट वेरिएंट्स के साथ एक दो-चरणीय रणनीति का उपयोग करता है।
यह शोध पत्र एक अनुकूली साक्षात्कार ढांचे (adaptive interviewing framework) का प्रस्ताव करता है जो उपयोगकर्ता-विशिष्ट साक्ष्य गतिशील रूप से एकत्र करके नैतिक दुविधाओं में व्यक्तिगत निर्णय लेने की लार्ज लैंग्वेज मॉडल्स की क्षमता में सुधार करता है, यह प्रदर्शित करते हुए कि सटीकता में वृद्धि केवल समृद्ध व्यक्तित्व संदर्भ (persona context) रखने के बजाय इस साक्ष्य के आधार पर अपने तर्क को पुख्ता करने की मॉडल की क्षमता पर निर्भर करती है।
यह शोध पत्र क्रोनेकर एम्बेडिंग्स (Kronecker Embeddings) को प्रस्तुत करता है, जो एक नियतात्मक बाइट-स्तरीय गुणनखंडन विधि है जो मानक बड़े एम्बेडिंग टेबल्स के स्थान पर एक निश्चित एनकोडर और एक एकल सीखे गए प्रोजेक्शन का उपयोग करती है, जिससे बड़े भाषा मॉडलों में प्रशिक्षण दक्षता, वर्तनी संबंधी मजबूती और रनटाइम मेमोरी उपयोग में सुधार करते हुए इनपुट-साइड के 91-94% प्रशिक्षित मापदंडों (trainable parameters) को समाप्त किया जाता है।
MOOSE-Copilot एक एकीकृत, वेब-आधारित फ्रेमवर्क है जो वैज्ञानिक परिकल्पना खोज में अन्वेषणात्मक विचार-मंथन और सूक्ष्म परिशोधन के बीच के अंतर को पाटता है, जिससे वैज्ञानिकों को एक औपचारिक मानव-AI इंटरेक्शन प्रोटोकॉल के माध्यम से जनरेटिव प्रक्रिया को सक्रिय रूप से निर्देशित करने में सक्षम बनाया जाता है, जिससे यह स्वायत्त बेसलाइनों से बेहतर प्रदर्शन करता है और AI-संचालित वैज्ञानिक सफलताओं तक पहुंच का लोकतंत्रीकरण करता है।