10348 पेपर
यह शोध पत्र ProAct को प्रस्तुत करता है, जो एक प्रोएक्टिव एजेंट आर्किटेक्चर है जो भविष्य की उपयोगकर्ता आवश्यकताओं का पूर्वानुमान लगाने और तैयारी करने के लिए आइडल-टाइम कंप्यूट (idle-time compute) का लाभ उठाता है, साथ ही ProActEval बेंचमार्क को भी प्रस्तुत करता है, जो रिएक्टिव बेसलाइनों की तुलना में कार्य दक्षता, उपयोगकर्ता प्रयास में कमी और मतिभ्रम (hallucination) शमन में महत्वपूर्ण सुधार प्रदर्शित करता है।
दस बड़े भाषा मॉडलों के ६८ प्रयोगात्मक सेल का यह अनुभवजन्य अध्ययन यह प्रदर्शित करता है कि अर्थ-वहन करने वाले व्यवधान (meaning-bearing perturbations), समान गंभीरता वाले प्रस्तुति-आधारित शोर की तुलना में एजेंट के तर्क और अंतिम उत्तरों को काफी अधिक बाधित करते हैं, जो एक 'होल्ड-आउट' मॉडल पर मान्य किया गया एक निष्कर्ष है और जिसे एक "स्टेल्थ-डाइवर्जेंस" तंत्र के रूप में आरोपित किया गया है जहाँ अर्थ संबंधी शोर प्रारंभिक क्रियाओं के बजाय मध्यवर्ती तर्क चरणों में विचलन उत्पन्न करता है।
यह शोध पत्र यह प्रदर्शित करता है कि चेकर-निर्देशित (checker-guided) मेडिकल RAG में, सिस्टम की प्रशिक्षण क्षमता (trainability) वर्िफायर की सटीकता के बजाय उसके आउटपुट वितरण (output distribution) पर निर्भर करती है, जो यह प्रकट करता है कि लॉग-प्रोब-आधारित (log-prob-based) NLI चेकर्स सिग्नल कोलैप्स (signal collapse) का कारण बनते हैं जबकि अत्यधिक सुदृढ़ चेकर्स रिवॉर्ड हैकिंग (reward hacking) को प्रेरित करते हैं, और अंततः यह दर्शाता है कि मध्यम-सिग्नल वाले स्थानीय क्लासिफायर बाहरी निर्भरताओं के बिना बेहतर उत्तर गुणवत्ता प्रदान करते हैं।
यह शोध पत्र फिलिपिनो-अंग्रेजी कोड-स्विच्ड स्पीच में ट्रांसफार्मर-आधारित डिमेंशिया डिटेक्शन का पहला व्यवस्थित मूल्यांकन प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि मोनोलिंगुअल मॉडल भाषाओं के बीच सामान्यीकरण करने में विफल रहते हैं, द्विभाषी फाइन-ट्यूनिंग क्रॉस-लिंगुअल प्रदर्शन गिरावट को प्रभावी ढंग से समाप्त करती है और मॉडल आर्किटेक्चर की परवाह किए बिना उच्च सटीकता प्राप्त करती है।
STORMS एक दो-चरणीय ढांचा है जो वीडियो-भाषा मॉडलों के स्थानिक-कालिक तर्क (spatial-temporal reasoning) को बढ़ाता है, उन्हें सीमित निरंतर लेटेंट प्रक्षेप पथों (bounded continuous latent trajectories) में गतिशील दृश्य साक्ष्य को आंतरिक रूप से आत्मसात करने के लिए प्रशिक्षित करके, जिससे बाहरी उपकरणों या स्पष्ट पाठ्य चेन-ऑफ-थॉट (textual chain-of-thought) पर निर्भर विधियों की तुलना में काफी कम इन्फरेंस विलंबता (inference latency) के साथ उच्च सटीकता प्राप्त होती है।
CausaLab एक कृत्रिम प्रयोगशाला सेटिंग में अंतर्निहित संरचनात्मक कारण मॉडलों (structural causal models) को पुनः प्राप्त करने की आवश्यकता के माध्यम से LLM एजेंटों की कारण खोज (causal discovery) क्षमताओं का मूल्यांकन करने के लिए एक स्केलेबल, संवादात्मक वातावरण पेश करता है, जो भविष्य कहनेवाला सटीकता (predictive accuracy) और वास्तविक कारण समझ के बीच एक महत्वपूर्ण अंतर को प्रकट करता है और हस्तक्षेप डिजाइन (intervention design) तथा समयपूर्व रुकने (premature stopping) की कमजोरियों को उजागर करता है।
यह शोधपत्र प्रकट करता है कि सत्यापन योग्य पुरस्कारों के साथ मानक सुदृढीकरण शिक्षण (RLVR), इंटरफ़ेस में प्राकृतिक-भाषा त्रुटि संकेतों की कमी के कारण नॉलेज-ग्राफ टूल उपयोग में "पीक-देन-कोलैप्स" (शिखर-फिर-पतन) विफलता का कारण बनता है, जो एक ऐसी समस्या है जो रिवॉर्ड रीडिज़ाइन और मॉडल स्केलिंग के बावजूद बनी रहती है लेकिन स्व-डिस्टिलेशन (self-distillation) के माध्यम से प्रभावी ढंग से कम की जा सकती है।
यह शोध पत्र छह विश्वास अनुमान विधियों का मूल्यांकन करके एक्टिवेशन ओरेकल के लिए अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की जांच करता है, जिसमें यह पाया गया कि बूटस्ट्रैप मोड फ्रीक्वेंसी सर्वोत्तम अंशांकन (calibration) प्रदान करती है जबकि लॉग-प्रोबेबिलिटी एक लागत प्रभावी ट्राइएज सिग्नल के रूप में कार्य करती है।
यह शोध पत्र दो प्राथमिक विफलता मोडों—ऑप्टिमाइज़ेशन-टाइम ग्रेडिएंट डाइल्यूशन (optimization-time gradient dilution) और इन्फरेंस-टाइम इंस्ट्रक्शन इंटरफेरेंस (inference-time instruction interference)—की पहचान करता है, जो LLM जजों के लिए मल्टी-ऑब्जेक्टिव प्रॉम्प्ट ऑप्टिमाइज़ेशन में बाधा डालते हैं, यह प्रदर्शित करते हुए कि मौजूदा टेक्स्टुअल ग्रेडिएंट विधियाँ अक्सर कई मानदंडों को एक साथ संभालते समय प्रारंभिक प्रॉम्प्ट्स से बेहतर सुधार करने में विफल रहती हैं।
यह शोध पत्र ऑटो बेंचमार्क ऑडिट (ABA) प्रस्तुत करता है, जो एक एजेंटिक फ्रेमवर्क है जो व्यवस्थित रूप से 25% से अधिक AI बेंचमार्क में महत्वपूर्ण खामियों की पहचान करता है, यह प्रदर्शित करते हुए कि इन समस्याग्रस्त कार्यों को हटाने से मॉडल रैंकिंग महत्वपूर्ण रूप से बदल जाती है और प्रदर्शन मेट्रिक्स में सुधार होता है।