10206 पेपर
यह शोधपत्र IPO-Mine को प्रस्तुत करता है, जो एक ओपन-सोर्स टूलकिट और एक बड़े पैमाने का, खंड-संरचित मल्टीमॉडल डेटासेट है जिसमें 109,000 से अधिक IPO फाइलिंग और 76,000 चित्र शामिल हैं, जिसे लंबे नियामक दस्तावेजों के मानकीकृत विश्लेषण को सक्षम करने और अत्याधुनिक मल्टीमॉडल मॉडलों तथा विशेषज्ञ मानव निर्णयों के बीच महत्वपूर्ण संरेखण अंतराल (alignment gaps) को प्रकट करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र एक सर्वसम्मति-लेबल वाले प्रॉम्प्ट बैंक (consensus-labeled prompt bank) को प्रस्तुत करता है जो कार्यात्मक हथियारों के निर्माण को रोकने के लिए आवश्यक सख्त इनकार मानकों (refusal standards) को पूरा करने के लिए कोडिंग-विशेषीकृत मॉडलों को मापने हेतु एक विश्वसनीय, मानकीकृत बेंचमार्क प्रदान करने के लिए निष्पादनीय दुर्भावनापूर्ण कोड और हानिकारक सुरक्षा ज्ञान के बीच अंतर करता है।
यह शोध पत्र रिवर्स प्रोबिंग (Reverse Probing) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो बिना किसी नए सैंपलिंग के क्लिनिकल टेक्स्ट सारांशीकरण में टोकन-स्तरीय अनिश्चितता का अनुमान लगाने के लिए आंतरिक मॉडल सक्रियणों (internal model activations) का लाभ उठाता है, जिससे यह सटीकता और दक्षता में मौजूदा बेसलाइनों से बेहतर प्रदर्शन करते हुए मॉडल आत्मविश्वास में व्याख्यात्मक अंतर्दृष्टि प्रदान करता है।
यह शोध पत्र प्रेडिक्शन मार्केट कमेंट्री (prediction market commentary) के लिए पहले स्टैंड डिटेक्शन फ्रेमवर्क का परिचय देता है, जो यह प्रदर्शित करता है कि मार्केट कॉन्टेक्स्ट (market context) को शामिल करने से अल्पसंख्यक-वर्ग की रिकॉल (minority-class recall) में महत्वपूर्ण सुधार होता है और विभिन्न मॉडल कॉन्फ़िगरेशन के बीच प्रदर्शन को संतुलित करने के लिए 50% काउंटरफैक्चुअल ऑग्मेंटेशन रेट (counterfactual augmentation rate) को इष्टतम पहचानता है।
यह शोध पत्र यह प्रदर्शित करता है कि कोड सुदृढीकरण शिक्षण (कोड रिइन्फोर्समेंट लर्निंग) में, नेस्टेड यूनिट-टेस्ट कवरेज वाले प्रशिक्षण चेकपॉइंट्स एक शुद्धता-दक्षता सीमा (करेक्टनेस-एफिशिएंसी फ्रंटियर) का निर्माण करते हैं जिसे एक्सट्रैपोलेटिव वेट एवरेजिंग के माध्यम से प्रशिक्षित एंडपॉइंट्स से परे नेविगेट और विस्तारित किया जा सकता है, जिससे बिना किसी अतिरिक्त प्रशिक्षण के इन्फरेंस-टाइम प्रदर्शन और समस्या कवरेज में सुधार होता है।
यह शोध पत्र LearnWeak को प्रस्तुत करता है, जो एक एनोटेशन-मुक्त ढांचा है जो छोटे कंप्यूटर-उपयोग एजेंटों में विशिष्ट कमजोरियों की पहचान करने और उन्हें लक्षित करने के लिए एक अधिक शक्तिशाली संदर्भ एजेंट का लाभ उठाता है, जिससे त्रुटि-जागरूक विशेषज्ञता और लक्षित डेटा संश्लेषण के माध्यम से विविध डोमेन में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र CAGE बेंचमार्क और एक दोहरी-जांच (dual-probe) पद्धति को प्रस्तुत करता है जो एक महत्वपूर्ण "अमूर्तता अंतराल" (abstraction gap) को उजागर करता है जहाँ अधिकांश विजन-लैंग्वेज मॉडल भाषाई रूप से प्रशंसनीय लेकिन कारणतः निष्ठावान (causally unfaithful) स्पष्टीकरण उत्पन्न करते हैं, यह प्रदर्शित करते हुए कि जबकि कुछ आर्किटेक्चर में निष्ठावान तर्क की क्षमता मौजूद है, इसे मानक फाइन-ट्यूनिंग के माध्यम से विश्वसनीय रूप से प्राप्त नहीं किया जाता है।
यह शोध पत्र स्किल-कंडीशन्ड गेटेड सेल्फ-डिस्टिलेशन (SGSD) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो शिक्षक परिकल्पना सत्यापन और गेटेड डिस्टिलेशन के लिए एक स्किल बैंक का लाभ उठाकर LLM तर्क क्षमता को बढ़ाता है, जिससे GRPO की तुलना में बेहतर प्रदर्शन और कमजोर प्रिविलेज्ड इन्फॉर्मेशन धारणाओं के तहत आंसर-कंडीशन्ड विधियों के विरुद्ध प्रतिस्पर्धी परिणाम प्राप्त होते हैं।
यह शोध पत्र OmniVerifier-M1 को प्रस्तुत करता है, जो एक मल्टीमॉडल मेटा-वेरिफायर है जो पारंपरिक संयुक्त अनुकूलन दृष्टिकोणों से बेहतर प्रदर्शन करने के लिए प्रतीकात्मक तर्कों (symbolic rationales) और एक पृथक सुदृढीकरण शिक्षण (decoupled reinforcement learning) रणनीति का लाभ उठाकर मजबूत दृश्य सत्यापन और गतिशील स्व-सुधार प्राप्त करता है।
यह शोध पत्र व्यक्तिगत दृश्य स्मृति (पर्सनल विजुअल मेमोरी) के लिए एक बेंचमार्क प्रस्तुत करता है जो स्पष्ट और अंतर्निहित दोनों साक्ष्यों को लक्षित करता है, और VisualMem का प्रस्ताव करता है, जो एक हाइब्रिड आर्किटेक्चर है जो व्यक्तिगत एआई एजेंटों के लिए दीर्घकालिक स्मृति को बढ़ाने हेतु संरचित दृश्य जानकारी का प्रभावी ढंग से लाभ उठाकर मौजूदा टेक्स्ट-केंद्रित प्रणालियों से बेहतर प्रदर्शन करता है।