💬 Category

cs.CL

10449 पेपर

💬 NLP

When Do LLM Agents Treat Surface Noise Differently from Semantic Noise? A 68-Cell Measurement Study with a Held-Out Trace-Level Validation

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।

Liyun Zhang, Jiayi Guo2026-05-26
💬 NLP

What Makes a Medical Checker Trainable? Diagnosing Signal Collapse and Reward Hacking in Checker-Guided RAG for Biomedical QA

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।

Yuelyu Ji, Min Gu Kwak, Hang Zhang, Xizhi Wu, Chenyu Li, Yanshan Wan2026-05-26
💬 NLP

Forgotten Words: Benchmarking NeoBERT for Dementia Detection in Low-Resource Conversational Filipino and English Speech

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।

Rez Samantha Z. Floresca, Edric Castel C. Hao, Hannah Grachiella Buñales, Chelsea Dominique E. Temprosa, Georgianna Z. R (…)2026-05-26✓ Author reviewed ⓘ
💬 NLP

STORM: Internalized Modeling for Spatial-Temporal Reasoning in Video-Language Models

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।

Yiming Liang, Yixiao Chen, Yiyang Zhou, Yixuan Wang, Shoubin Yu, Andong Deng, Fuxiao Liu, Qin Zhang, Chen Chen, Mohit Ba (…)2026-05-26
🤖 AI

CausaLab: A Scalable Environment for Interactive Causal Discovery Toward AI Scientists

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।

Junlin Yang, Dylan Zhang, Xiangchen Song, Qirun Dai, Xiao Liu, Yuen Chen, Aniket Vashishtha, Jing Shi, Chenhao Tan, Hao (…)2026-05-26
💬 NLP

Peak-Then-Collapse and the Four Interface Channels of Knowledge-Graph Tool Use

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।

Tianda Sun, Dimitar Kazakov2026-05-26
💬 NLP

Confidence and Calibration of Activation Oracles for Reliable Interpretation of Language Model Internals

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।

Federico Torrielli, Peter Schneider-Kamp, Lukas Galke Poech2026-05-26
💬 NLP

When Gradients Collide: Failure Modes of Multi-Objective Prompt Optimization for LLM Judges

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।

Parth Darshan, Abhishek Divekar2026-05-26
💬 NLP

Automated Benchmark Auditing for AI Agents and Large Language Models

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।

Junlin Wang, Federico Bianchi, Shang Zhu, Fan Nie, Yongchan Kwon, Bhuwan Dhingra, James Zou2026-05-26
💬 NLP

Language Models Need Sleep

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स के लिए एक नींद जैसी सुदृढ़ीकरण (consolidation) प्रक्रिया का प्रस्ताव करता है जो ऑफलाइन रिकरेंट पासेस के दौरान हालिया कॉन्टेक्स्ट को निरंतर फास्ट वेट्स में परिवर्तित करता है, जिससे अटेंशन स्केलिंग की सीमाओं को दूर किया जा सके और इन्फरेंस लेटेंसी को सुरक्षित रखते हुए लॉन्ग-होरिज़न और डीप-रीज़निंग कार्यों पर प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।

Sangyun Lee, Sean McLeish, Tom Goldstein, Giulia Fanti2026-05-26