10509 पेपर
यह शोध पत्र Subspace PGA को प्रस्तुत करता है जिससे यह पता चलता है कि जबकि भाषा मॉडल की प्रतिनिधित्व ज्यामिति (representation geometry) भविष्यवाणी के लिए व्यवस्थित होती है, छोटे मॉडल बाद की परतों में इस संरेखण (alignment) को खो देते हैं जो प्रमुख दिशाओं द्वारा छिपा हुआ एक क्षमता संबंधी समझौता (capacity trade-off) है, जबकि बड़े मॉडल प्रशिक्षण के दौरान इसे बनाए रखते हैं।
यह शोध पत्र Auto-CoT को प्रस्तुत करता है, जो एक ऐसा फ्रेमवर्क है जो संरचित प्रदर्शन (structured demonstrations) बनाने के लिए उच्च गुणवत्ता वाली तर्क श्रृंखलाओं (reasoning chains) को स्वचालित रूप से उत्पन्न और चयन करके बड़े भाषा मॉडलों (large language models) के लिए इन-कॉन्टेक्स्ट लर्निंग (In-Context Learning) को बढ़ाता है, जिससे जटिल बहु-चरणीय तर्क कार्यों (complex multi-step reasoning tasks) पर प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र HEED को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त डिस्टिलेशन विधि है जो उच्च-सूचना वाले इमेज पैच को प्राथमिकता देने के लिए डेंसिटी-वेटेड रेसिडुअल अलाइनमेंट का उपयोग करती है, जिससे बड़े विजन-लैंग्वेज मॉडल्स को कुशल हाइब्रिड आर्किटेक्चर में डिस्टिल करते समय OCR और डॉक्यूमेंट कार्यों में देखी जाने वाली महत्वपूर्ण प्रदर्शन गिरावट को हल किया जा सके और पर्याप्त मेमोरी एवं थ्रूपुट लाभ के साथ टीचर-लेवल सटीकता प्राप्त की जा सके।
यह शोध पत्र SEMA-RAG का प्रस्ताव करता है, जो एक स्व-विकसित मल्टी-एजेंट रिट्रीवल-ऑगमेंटेड जनरेशन फ्रेमवर्क है जो चिकित्सा संबंधी प्रश्नों के उत्तर देने में सटीकता को महत्वपूर्ण रूप से सुधारने और मतिभ्रम (hallucinations) को कम करने के लिए चिकित्सा तर्क को विशिष्ट व्याख्या, पुनरावृत्ति अन्वेषण और अधिनिर्णय भूमिकाओं में अलग करता है।
यह शोध पत्र "काउंटरफैक्टुअल लोकलाइजेशन" (counterfactual localization) प्रस्तुत करता है, जो एक स्केलेबल पद्धति है जिसका उपयोग यह सटीक रूप से पहचानने के लिए किया जाता है कि भाषा मॉडल अपने तर्क संबंधी निशानों (reasoning traces) के भीतर किस क्षण धोखेबाजी के प्रति प्रतिबद्ध होते हैं, जिससे यह पता चलता है कि यह प्रतिबद्धता सतही भाषाई संकेतों के बजाय सामान्यीकरण योग्य अटेंशन-आधारित गतिकी (attention-based dynamics) द्वारा संचालित होती है और इसे अटेंशन हेड्स के एक छोटे समूह द्वारा कारणवश दबाया जा सकता है।
यह शोध पत्र यह तर्क देता है कि संपूर्ण एजेंटिक एआई (agentic AI) जीवनचक्र में स्पष्ट, मात्रात्मक और पता लगाने योग्य उत्पत्ति (provenance) स्थापित करना जिम्मेदारी को गणनीय (computable) और कार्रवाई योग्य बनाने के लिए एक आवश्यक पूर्व शर्त है, जिससे जटिल, बहु-पक्षीय एजेंट संरचनाओं में होने वाले नुकसान के लिए जवाबदेही निर्धारित करने में असमर्थता के कारण उत्पन्न वर्तमान विश्वास संकट का समाधान किया जा सके।
OpenJarvis एक विखंडित (decomposed), टाइप किया गया व्यक्तिगत AI आर्किटेक्चर पेश करता है जो क्लाउड-स्तरीय सटीकता के साथ ऑन-डिवाइस सिस्टम को सक्षम बनाने के लिए LLM-निर्देशित स्पेक सर्च का लाभ उठाते हुए पांच स्वतंत्र प्रिमिटिव्स को अनुकूलित करता है, जिससे API लागत और विलंबता (latency) में भारी कमी आती है।
यह शोध पत्र विभिन्न भाषाओं में लार्ज लैंग्वेज मॉडल्स (LLMs) में सुरक्षा क्षरण (safety degradation) को चलाने वाले विशिष्ट कारकों को अलग करने और उनका विश्लेषण करने के लिए एक मल्टी-ग्रुप आइटम रिस्पांस थ्योरी फ्रेमवर्क प्रस्तुत करता है, जो यह प्रकट करता है कि सुरक्षा विफलताएं मुख्य रूप से एकआयामी हैं, अक्सर कम-संसाधन वाली भाषाओं की तुलना में अंग्रेजी में अधिक गंभीर होती हैं, और केवल अनुवाद की गुणवत्ता के बजाय भौतिक हानि और सांस्कृतिक बेमेल से संबंधित प्रॉम्प्ट-विशिष्ट क्रॉस-लिंगुअल अंतराल से महत्वपूर्ण रूप से प्रभावित होती हैं।
OProver, Lean 4 में एजेंटिक औपचारिक प्रमेय प्रमाण (agentic formal theorem proving) के लिए एक एकीकृत ढांचा है जो इटरेटिव प्रूफ रिवीज़न को कंपाइलर फीडबैक और रिट्रीवल के साथ एकीकृत करता है, जो निरंतर प्रीट्रेनिंग, रिपेयर ट्रेजेक्टरीज पर सुपरवाइज्ड फाइन-ट्यूनिंग और कठिन मामलों पर रीइन्फोर्समेंट लर्निंग को संयोजित करने वाले एक नवीन प्रशिक्षण पाइपलाइन के माध्यम से कई बेंचमार्क में अत्याधुनिक प्रदर्शन प्राप्त करता है।
DISA (Decoupled Importance-Sampled Anchoring) एक नवीन ऑफलाइन डिस्ट्रीब्यूशन-मैचिंग RL पद्धति है जो कैलिब्रेशन त्रुटियों को समाप्त करने के लिए इम्पोर्टेंस सैंपलिंग के माध्यम से पार्टीशन फंक्शन अनुमानों को प्री-कंप्यूट और फ्रीज करती है, जिससे यह LLMs को विविध समाधान रणनीतियों को सीखने में सक्षम बनाती है जो रिवॉर्ड-मैक्सिमाइजेशन बेसलाइन और ऑनलाइन-कपल्ड डिस्ट्रीब्यूशन-मैचिंग दृष्टिकोणों दोनों से बेहतर प्रदर्शन करते हैं।