10469 पेपर
यह शोधपत्र स्वास्थ्य सेवा पेशेवरों के लिए एक प्रवेश-स्तरीय, कार्रवाई योग्य मार्गदर्शिका प्रदान करता है ताकि वे कार्य प्रारूपण (task formulation), मॉडल चयन, प्रॉम्प्ट इंजीनियरिंग, फाइन-ट्यूनिंग और जिम्मेदार परिनियोजन (deployment) को समाहित करने वाले एक संरचित वर्कफ़्लो के माध्यम से चिकित्सा अनुसंधान और नैदानिक अभ्यास में फ्रंटियर लार्ज लैंग्वेज मॉडल्स को प्रभावी ढंग से और सुरक्षित रूप से एकीकृत कर सकें।
यह शोध पत्र यह प्रदर्शित करता है कि बढ़े हुए टेस्ट-टाइम कंप्यूट—विशेष रूप से स्टेप-बाय-स्टेप प्रोसेस इवैल्यूएशन के माध्यम से—के साथ रीजनिंग मॉडल्स को इवैल्यूएटर्स के रूप में नियोजित करने से मूल्यांकन सटीकता में महत्वपूर्ण सुधार होता है और पुनर्रैंकिंग (reranking) के माध्यम से एक एलएम (LM) की समस्या-समाधान क्षमताओं को बढ़ाया जा सकता है, जो जनरेशन के दौरान कंप्यूट को स्केल करने के लाभों को दर्शाता है।
ZeroSearch एक नवीन सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो एक हल्के, पाठ्यक्रम-आधारित सिम्युलेटेड सर्च मॉड्यूल का उपयोग करके बड़े भाषा मॉडलों (large language models) की खोज क्षमताओं को प्रभावी ढंग से प्रोत्साहित और उन्नत करता है, जिससे वास्तविक दुनिया के सर्च इंजन प्रशिक्षण की उच्च लागत और अस्थिर डेटा गुणवत्ता की बाधाओं को दूर किया जा सके।
यह शोध पत्र क्रिटीक-गाइडेड डिस्टिलेशन (CGD) का प्रस्ताव करता है, जो एक ऐसा प्रशिक्षण ढांचा है जो शिक्षक की आलोचना (critique) को प्रशिक्षण के समय के लिए केवल एक पर्यवेक्षण संकेत (supervision signal) के रूप में उपयोग करके आलोचना के सृजन और उपभोग को अलग करता है ताकि छात्र की प्रतिक्रियाओं को परिष्कृत किया जा सके, जिससे उन विधियों की तुलना में बेहतर तर्क प्रदर्शन प्राप्त होता है और सामान्य क्षमताओं को संरक्षित किया जाता है जिनके लिए अनुमान (inference) के दौरान मॉडलों द्वारा आलोचना उत्पन्न करने की आवश्यकता होती है।
यह शोध पत्र ध्वनिक प्रकीर्णन संकेतों (acoustic scattering signals) और डीप लर्निंग का उपयोग करके बालों के प्रकार और नमी को वर्गीकृत करने के लिए एक नवीन, गोपनीयता-संरक्षण और गैर-आक्रामक विधि प्रदर्शित करता है, जो एक स्व-पर्यवेक्षित मॉडल (self-supervised model) के फाइन-ट्यूनिंग के माध्यम से लगभग 90% सटीकता प्राप्त करता है।
यह अध्ययन प्रदर्शित करता है कि फ्रोजन टेक्स्ट एम्बेडिंग्स को हल्के एमएलपी क्लासिफायर के साथ संयोजित करने वाला एक गोपनीयता-संरक्षण वाला फेडरेटेड लर्निंग पाइपलाइन, MIMIC-IV क्लिनिकल नोट्स पर मल्टी-लेबल ICD कोड वर्गीकरण के लिए प्रतिस्पर्धी प्रदर्शन प्राप्त करता है, जो यह सिद्ध करता है कि स्केलेबल मेडिकल AI के लिए एम्बेडिंग की गुणवत्ता मॉडल की जटिलता से अधिक महत्वपूर्ण है।
यह अध्ययन चार उन्नत लार्ज लैंग्वेज मॉडल्स द्वारा जनरेट किए गए व्यक्तिगत प्रोफाइल्स का विश्लेषण करके उनमें रूढ़िवादी (stereotype) और विचलन (deviation) पूर्वाग्रहों की जांच करता है, जिससे यह पता चलता है कि परीक्षण किए गए सभी मॉडल्स विशिष्ट विशेषताओं के साथ जनसांख्यिकीय समूहों को जोड़ने और वास्तविक दुनिया के जनसांख्यिकीय वितरण से अलग होने में महत्वपूर्ण पूर्वाग्रह प्रदर्शित करते हैं।
यह शोध पत्र QWHA का प्रस्ताव करता है, जो एक पैरामीटर-कुशल फाइन-ट्यूनिंग विधि है जो बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) में क्वांटाइजेशन त्रुटियों को प्रभावी ढंग से कम करने और कम्प्यूटेशनल ओवरहेड को घटाने के लिए एक नवीन इनिशियलाइजेशन स्कीम के साथ वॉल्श-हैडमार्ड ट्रांसफॉर्म-आधारित एडेप्टर को एकीकृत करता है, जो सटीकता और प्रशिक्षण गति दोनों में मौजूदा लो-रैंक और फूरियर-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र इस बात का पहला व्यवस्थित अध्ययन प्रस्तुत करता है कि कैसे वास्तविक डेवलपर प्रॉम्प्ट विविधताएं, जैसे कि वर्तनी की गलतियाँ और काल्पनिक नाम, एलएलएम (LLM) द्वारा जनरेट किए गए कोड में लाइब्रेरी मतिभ्रम (library hallucinations) को ट्रिगर करती हैं, जो महत्वपूर्ण कमजोरियों को उजागर करता है और इन जोखिमों के पुनरुत्पादनीय मूल्यांकन और शमन को सक्षम करने के लिए लिबहैलुबेंच (LibHalluBench) बेंचमार्क पेश करता है।
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडल (Large Language Models) केवल प्रस्तावात्मक निरूपणों (propositional representations) पर निर्भर रहकर उस कार्य में मनुष्यों से बेहतर प्रदर्शन कर सकते हैं जिसके लिए पारंपरिक रूप से चित्रात्मक मानसिक कल्पना की आवश्यकता होती है, जिससे एक उभरते हुए "कृत्रिम फैंटेसिया" (artificial phantasia) का प्रमाण मिलता है जो इस संज्ञानात्मक विज्ञान के दृष्टिकोण को चुनौती देता है कि दृश्य कल्पना के लिए चित्रात्मक प्रारूप आवश्यक है।