10792 पेपर
यह शोधपत्र LibriQuote प्रस्तुत करता है, जो ऑडियोबुक्स से प्राप्त 5.3K घंटों के अभिव्यंजक चरित्र उद्धरणों का एक बड़े पैमाने का डेटासेट है जिसे संदर्भगत छद्म-लेबल (contextual pseudo-labels) से समृद्ध किया गया है, जो यह प्रदर्शित करता है कि इस डेटा पर फाइन-ट्यूनिंग या प्रशिक्षण करने से टेक्स्ट-टू-स्पीच मॉडलों की अभिव्यंजना और बोधगम्यता में महत्वपूर्ण वृद्धि होती है।
यह शोधपत्र RepIt को प्रस्तुत करता है, जो एक डेटा-कुशल ढांचा है जो अवधारणा-विशिष्ट सक्रियण वेक्टरों (concept-specific activation vectors) को अलग करके अर्थपूर्ण बैकडोर वाले "मॉडल ऑर्गेनिज्म" बनाता है, जिससे बड़े भाषा मॉडल (LLMs) विनाश के हथियारों जैसे खतरनाक विषयों पर सुरक्षा निषेधों (safety refusals) को चुनिंदा रूप से दरकिनार करने में सक्षम होते हैं, जबकि वे मानक बेंचमार्क पर सुरक्षित व्यवहार बनाए रखते हैं।
यह शोध पत्र 'InsideOut' बेंचमार्क प्रस्तुत करता है ताकि LLM-जनित साक्षात्कार स्क्रिप्ट में "इनसाइडर-आउटसाइडर पूर्वाग्रह" (जहाँ मॉडल अन्य संस्कृतियों के बजाय मुख्यधारा की संस्कृतियों को प्राथमिकता देते हैं) को व्यवस्थित रूप से पहचान और परिमाणित किया जा सके, और यह प्रदर्शित करता है कि एजेंट-आधारित शमन ढांचे (mitigation frameworks) इस सांस्कृतिक पूर्वाग्रह को कम करने में प्रॉम्प्ट-आधारित तरीकों की तुलना में काफी बेहतर प्रदर्शन करते हैं।
यह शोध पत्र "टूल-इंड्यूस्ड मायोपिया" (TIM) की पहचान और लक्षण वर्णन करता है, जो एक ऐसी घटना है जहाँ टूल-ऑगमेंटेड लैंग्वेज मॉडल्स (TaLMs) गणितीय समस्याओं पर उच्च अंतिम-उत्तर सटीकता प्राप्त करते हैं लेकिन टूल आउटपुट को तर्क के विकल्प के रूप में उपयोग करने के कारण तर्कसंगत सुसंगतता में गिरावट का सामना करते हैं, और एक प्राथमिकता-अनुकूलन ढांचे का प्रस्ताव करता है ताकि मॉडल्स को टूल्स को तर्क के शॉर्टकट के बजाय सहायक साक्ष्य के रूप में उपयोग करने के लिए पुनर्गठित किया जा सके।
यह शोध पत्र व्यवस्थित रूप से उन स्थितियों की जांच करता है जिनके तहत LLM-आधारित सत्यापन (verification) 37 मॉडलों और 9 बेंचमार्क में सॉल्वर प्रदर्शन में सुधार करता है, जिसमें "वेरिफायर गेन" (verifier gain) मीट्रिक पेश किया गया है जो यह प्रकट करता है कि क्रॉस-फैमिली सत्यापन सबसे प्रभावी है, रीजनिंग पोस्ट-ट्रेनिंग लाभों को सेल्फ-टू-क्रॉस-फैमिली सुधार की ओर स्थानांतरित करता है, और गणितीय या तार्किक कार्य सत्यापन लाभों के लिए सबसे अधिक अनुकूल हैं।
यह शोध पत्र TabReX को प्रस्तुत करता है, जो एक संदर्भ-रहित (reference-less), ग्राफ-आधारित ढांचा है जो व्याख्यात्मक, रूब्रिक-जागरूक स्कोर उत्पन्न करने के लिए कैनोनिकल नॉलेज ग्राफ्स को संरेखित करके LLM-जनित तालिकाओं का मूल्यांकन करता है, और नए प्रस्तावित TabReX-Bench बेंचमार्क के माध्यम से इसकी मजबूती को प्रमाणित करता है।
यह शोधपत्र ContextLeak को प्रस्तुत करता है, जो कैनरी इंसर्शन (canary insertion) का उपयोग करके निजी इन-कॉन्टेक्स्ट लर्निंग (In-Context Learning) में सबसे खराब स्थिति वाले सूचना रिसाव (worst-case information leakage) का अनुभवजन्य रूप से ऑडिट करने वाला पहला फ्रेमवर्क है, जिससे यह पता चलता है कि मौजूदा गोपनीयता-संरक्षण विधियाँ अक्सर सुरक्षा और उपयोगिता के बीच संतुलन बनाने में विफल रहती हैं, या तो संवेदनशील डेटा लीक करती हैं या मॉडल के प्रदर्शन को गंभीर रूप से कम कर देती हैं।
यह शोध पत्र STReasoner को प्रस्तुत करता है, जो एक नया ढांचा है जो एक नए बेंचमार्क (ST-Bench) और एक स्थानिक-जागरूक सुदृढीकरण शिक्षण एल्गोरिदम (S-GRPO) के माध्यम से ग्राफ संरचनाओं और टेक्स्ट को एकीकृत करके लार्ज लैंग्वेज मॉडल्स को टाइम सीरीज़ में स्थानिक-कालिक तर्क करने के लिए सशक्त बनाता है, जिससे प्रोप्रायटरी मॉडल्स की तुलना में बहुत कम लागत पर महत्वपूर्ण सटीकता लाभ प्राप्त होता है।
यह शोध पत्र SAGE-32B को प्रस्तुत करता है, जो Qwen2.5-32B पर आधारित एक 32-बिलियन-पैरामीटर वाला भाषा मॉडल है जो पुनरावृत्ति आसवन (iterative distillation) और एक प्रतिवर्ती तर्क (inverse reasoning) दृष्टिकोण के माध्यम से एजेंटिक तर्क और दीर्घकालिक योजना बनाने में विशेषज्ञता रखता है, जिससे यह समान आकार के मॉडलों की तुलना में मल्टी-टूल बेंचमार्क पर बेहतर प्रदर्शन प्राप्त करता है।
यह शोध पत्र यह प्रदर्शित करता है कि आइटम रिस्पॉन्स थ्योरी (IRT) मॉडलों के अनुरूप फिट होने के लिए ओपन-सोर्स लार्ज लैंग्वेज मॉडल्स के साथ विविध छात्र कक्षाओं का अनुकरण करना, मानकीकृत गणितीय प्रश्नों की वास्तविक दुनिया की कठिनाई का प्रभावी ढंग से पूर्वानुमान लगा सकता है, जो 0.82 तक का सहसंबंध प्राप्त करता है और यह प्रकट करता है कि कमजोर गणितीय क्षमताओं वाले मॉडल अक्सर मजबूत मॉडलों की तुलना में बेहतर भविष्यवाणियां प्रदान करते हैं।