10789 पेपर
यह शोध पत्र मानव-अनुकरणित भाषण के पता लगाने की क्षमता को बढ़ाने के लिए कोक्लियर फिल्टरबैंक मॉडल पर आधारित एक स्पेक्ट्रो-टेम्पोरल मॉड्यूलेशन (STM) प्रतिनिधित्व ढांचे का प्रस्ताव करता है, जो प्रदर्शन के ऐसे स्तर प्राप्त करता है जो मानव श्रवण धारणा के बराबर या उससे भी बेहतर है।
यह शोध पत्र एक प्री-इन्फरेंस प्रॉम्प्ट ऑप्टिमाइज़ेशन तंत्र का प्रस्ताव करता है जो उपयोगकर्ता के प्रॉम्प्ट में अर्थ संबंधी अस्पष्टताओं को स्पष्ट रूप से पहचानने और उन्हें हल करने के लिए स्मॉल लैंग्वेज मॉडल्स (SLMs) का उपयोग करता है, जिससे न्यूनतम कम्प्यूटेशनल लागत के साथ लार्ज लैंग्वेज मॉडल्स (LLMs) के रीजनिंग प्रदर्शन में सुधार होता है।
डेटा संदूषण (data contamination) से बचने के लिए औपचारिक भाषाओं को एक नियंत्रित परीक्षण स्थल (controlled testbed) के रूप में उपयोग करते हुए, यह शोध पत्र प्रदर्शित करता है कि जबकि फाइन-ट्यूनिंग (fine-tuning), इन-कॉन्टेक्स्ट लर्निंग (in-context learning) की तुलना में उच्च इन-डिस्ट्रीब्यूशन दक्षता प्राप्त करती है, दोनों ही मोड समान आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण और इंडक्टिव बायस (inductive biases) प्रदर्शित करते हैं, हालांकि इन-कॉन्टेक्स्ट लर्निंग मॉडल स्केल और शब्दावली के प्रति काफी अधिक संवेदनशील है।
यह शोध पत्र एक हल्का, उत्पादन-तैयार (production-ready) पीडीएफ पार्सिंग फ्रेमवर्क प्रस्तुत करता है जो स्थानिक ह्यूरिस्टिक्स (spatial heuristics), लेआउट विश्लेषण और सिमेंटिक समानता का उपयोग करके विजुअल तत्वों को सटीक रूप से पहचानने और उन्हें कैप्शन के साथ जोड़ने के लिए किया जाता है, जिससे लेटेंसी को कम करते हुए मल्टीमॉडल RAG प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र एक प्रशिक्षण-मुक्त, मॉडल-अज्ञेय (model-agnostic) संदर्भ संपीड़न ढांचे का प्रस्ताव करता है जो लॉन्ग-कॉन्टेक्स्ट लार्ज लैंग्वेज मॉडल्स के लिए वाक्यों के एक संक्षिप्त, सुसंगत और कार्य-प्रासंगिक सेट को चुनने हेतु एक हाइब्रिड सेंटेंस ग्राफ का उपयोग करता है—जो क्रमिक संरचना के साथ अर्थ संबंधी समानता को जोड़ता है।
Au-M-ol एक नवीन मल्टीमॉडल आर्किटेक्चर है जो एक ऑडियो एनकोडर और एक अडैप्टेशन लेयर को प्रीट्रेंड LLM के साथ एकीकृत करता है ताकि मेडिकल स्पीच रिकग्निशन और क्लिनिकल लैंग्वेज अंडरस्टैंडिंग में महत्वपूर्ण सुधार किया जा सके, जिससे मौजूदा बेसलाइनों की तुलना में वर्ड एरर रेट (WER) में 56% की कमी आती है।
यह शोध पत्र Human-1 प्रस्तुत करता है, जो हिंदी के लिए पहला खुला और पुनरुत्पादक फुल-डुप्लेक्स स्पोकन डायलॉग सिस्टम है, जो प्राकृतिक व्यवधानों (interruptions) और ओवरलैप्स जैसे भाषण व्यवहारों को सक्षम करने के लिए एक कस्टम टोकेनाइज़र और 26,000 घंटों के वास्तविक दुनिया के संवादात्मक डेटा का उपयोग करके मोशी (Moshi) आर्किटेक्चर को अनुकूलित करता है।
यह शोधपत्र **SHEAR** का प्रस्ताव करता है, जो एक ऐसी विधि है जो सही और गलत रोलआउट्स के हिडन-स्टेट डिस्ट्रीब्यूशन्स के बीच वासरस्टीन डिस्टेंस (Wasserstein distance) का उपयोग करके रीजनिंग कार्यों के लिए सुदृढीकरण शिक्षण (reinforcement learning) में सुधार करती है, जिससे बिना किसी अतिरिक्त रिवॉर्ड मॉडल या स्टेप-लेवल एनोटेशन की आवश्यकता के सूक्ष्म, टोकन-स्तरीय क्रेडिट असाइनमेंट किया जा सके।
यह शोध पत्र एक सुदृढ़ ऑडियो-टेक्स्ट रिट्रीवल फ्रेमवर्क प्रस्तावित करता है जो लंबे, शोर वाले और कमजोर रूप से लेबल किए गए ऑडियो को प्रभावी ढंग से संभालने के लिए एक क्रॉस-मोडल एम्बेडिंग रिफाइनमेंट मॉड्यूल और एक हाइब्रिड लॉस फंक्शन का उपयोग करता है, यहाँ तक कि छोटे-बैच प्रशिक्षण बाधाओं के तहत भी।
यह शोध पत्र 'रिनफोर्समेंट लर्निंग विद कॉन्फिडेंस मार्जिन' (RLCM) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो मार्जिन-वर्धित प्रोसेस रिवॉर्ड का उपयोग करके LLM रीजनिंग कैलिब्रेशन में सुधार करता है ताकि सही और गलत मध्यवर्ती रीजनिंग चरणों के बीच कॉन्फिडेंस गैप को बढ़ाया जा सके, जिससे ओवरकॉन्फिडेंस को कम किया जा सके और अधिक कुशल टेस्ट-टाइम कंप्यूटेशन को सक्षम बनाया जा सके।