9552 पेपर
यह शोध पत्र एक नवीन ह्यूमन-इन-द-लूप कार्यप्रणाली प्रस्तावित करता है जो निरंतर उपयोगकर्ता फीडबैक के माध्यम से एक प्राथमिक RAG सिस्टम के प्रदर्शन को पुनरावृत्ति से परिष्कृत करने के लिए एक सहायक फीडबैक RAG सिस्टम को एकीकृत करता है, जो LLM-एज़-अ-जज मूल्यांकन के माध्यम से विविध बेंचमार्क में सटीकता और प्रासंगिकता में महत्वपूर्ण सुधार प्रदर्शित करता है।
यह शोध पत्र एपिस्टेमिक एसिमेट्री शेलिंग टास्क (EAST) को प्रस्तुत करता है, जो एक नवीन संवाद-आधारित बेंचमार्क है जो लार्ज लैंग्वेज मॉडल्स की कार्यात्मक थ्योरी ऑफ माइंड और एपिस्टेमिक ट्रैकिंग क्षमताओं में महत्वपूर्ण अंतराल को प्रकट करता है, यह प्रदर्शित करते हुए कि पारंपरिक स्थिर परीक्षणों पर उच्च प्रदर्शन के बावजूद भी फ्रंटियर मॉडल्स गतिशील सामाजिक समन्वय में संघर्ष करते हैं।
StructAgent एक अवस्था-केंद्रित (state-centered) ढांचे को पेश करता है जो लंबी अवधि के डिजिटल एजेंट कार्यों को प्रबंधित करने के लिए एकीकृत कारण संरचनाओं (unified causal structures) का उपयोग करता है, जो सत्यापन योग्य, साक्ष्य-आधारित प्रगति ट्रैकिंग और रिकवरी को सक्षम करके विविध LLM/VLM बैकबोन और परिवेशों में सफलता दर और सामान्यीकरण क्षमता में महत्वपूर्ण सुधार करता है।
UMoE एक बजट-संरक्षण पाइपलाइन है जो लो-सैलियंसी (low-saliency) विशेषज्ञों को हटाने और फाइन-ट्यूनिंग से पहले परटर्बेशन (perturbation) के माध्यम से पूल को पुनर्जीवित करने द्वारा मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल्स के डोमेन-विशिष्ट प्रशिक्षण को उन्नत करती है, जिससे यह बिना इन्फरेंस लागत बढ़ाए विभिन्न आर्किटेक्चर और डोमेन में मानक सुपरवाइज्ड फाइन-ट्यूनिंग से लगातार बेहतर प्रदर्शन करती है।
यह शोध पत्र शतरंज की रणनीतियों को प्राकृतिक भाषा में मौखिक रूप से व्यक्त करने के लिए एक कार्य और ढांचा प्रस्तुत करता है, जो यह प्रदर्शित करता है कि ऐसे विवरण मानव और एलएलएम (LLM) खिलाड़ियों दोनों तक रणनीतिक जानकारी प्रभावी ढंग से संप्रेषित करते हैं, साथ ही वर्तमान मूल्यांकन विधियों और अवधारणा-आधारित दृष्टिकोणों में प्रमुख सीमाओं को भी उजागर करते हैं।
यह शोध पत्र एक ज़ोंखा (Dzongkha) अगले शब्द के पूर्वानुमान (next word prediction) की प्रणाली प्रस्तुत करता है जिसे कीस्ट्रोक्स को कम करके टाइपिंग को सुव्यवस्थित करने के लिए डिज़ाइन किया गया है, जो LSTM, Bi-LSTM और GRU मॉडलों को प्रशिक्षित करने और उनकी तुलना करने के लिए 100,000 वाक्यों के डेटासेट का उपयोग करता है, और अंततः यह प्रदर्शित करता है कि GRU मॉडल 74.03% सटीकता के साथ सर्वश्रेष्ठ प्रदर्शन प्राप्त करता है और ओवरफिटिंग को प्रभावी ढंग से कम करता है।
यह शोधपत्र प्रदर्शित करता है कि एक गैर-रचनात्मक वैश्विक रंग योजना (nonconstructive global coloring scheme) के माध्यम से असाइन किया गया प्रति स्ट्रिंग एक एकल टर्मिनल बिट, गोल्ड के मॉडल में किसी भी गणनीय अनंत भाषाओं के संग्रह की पहचान करने में सक्षम करने के लिए पर्याप्त है, जबकि एक बोरेल मानचित्र (Borel map) द्वारा परिभाषित कोई भी ऐसी वैश्विक रूप से सुसंगत योजना के लिए अनंत रंगों की आवश्यकता होती है।
यह शोध पत्र LLM संदर्भ लंबाई (context length) को निरंतर मेमोरी स्केलिंग के साथ विस्तारित करने के लिए एक कुशल समाधान के रूप में एसोसिएटिव रिकरेंट मेमोरी ट्रांसफॉर्मर (ARMT) का प्रस्ताव करता है, जिसे नए डोमेन-विशिष्ट डेटासेट, एक व्यापक प्रशिक्षण रेसिपी और श्रेष्ठ सामान्यीकरण (generalization) तथा प्रदर्शन में गिरावट के बिना 30% FLOPs की कमी दिखाने वाले प्रयोगात्मक परिणामों के माध्यम से मान्य किया गया है।
यह अध्ययन प्रदर्शित करता है कि मल्टीमॉडल लैंग्वेज मॉडल LLaVA 1.6 पर लक्षित लीजन्स (lesions) और व्यवधानों (perturbations) को लागू करने से एफ़ेज़िया (aphasia) वाले व्यक्तियों के विशिष्ट चित्र-नामकरण त्रुटि प्रोफाइलों को मात्रात्मक रूप से पुनरुत्पादित किया जा सकता है, जो यह सुझाव देता है कि ऐसे मॉडल स्ट्रोक के बाद होने वाले भाषा संबंधी दोषों के अनुकरण के लिए "डिजिटल ट्विन्स" के रूप में कार्य कर सकते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि बड़े भाषा मॉडल (large language models) स्पष्ट पैरामीटर विनिर्देश के बिना मानव मार्ग चयन पूर्वाग्रहों और प्रॉस्पेक्ट-थ्योरेटिक निर्णय व्यवहारों को प्रभावी ढंग से पुनरुत्पादित कर सकते हैं, जो बड़े पैमाने पर व्यवहार संबंधी मॉडलिंग के लिए पारंपरिक तरीकों के एक स्केलेबल विकल्प के रूप में कार्य करता है।