10903 पेपर
DeCoVec एक ट्रेनिंग-फ्री, नॉन-इनवेसिव फ्रेमवर्क है जो लार्ज लैंग्वेज मॉडल्स को निर्देशित करने के लिए फ्यू-शॉट और जीरो-शॉट लॉजिट डिस्ट्रीब्यूशंस के बीच के अंतर का लाभ उठाकर डिकोडिंग स्पेस में टास्क वेक्टर्स का निर्माण करता है, जिससे बिना किसी फाइन-ट्यूनिंग या अतिरिक्त टोकन लागत के महत्वपूर्ण सटीकता सुधार और मजबूती प्राप्त होती है।
यह शोध पत्र नॉलेज-एन्हांस्ड क्लस्टरिंग (KEC) का प्रस्ताव करता है, जो एक ट्रेनिंग-फ्री विधि है जो पदानुक्रमित अवधारणा-विशेषता (hierarchical concept-attribute) वाले पाठ्य ज्ञान के निर्माण के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाती है, जिससे मौजूदा विज़ुअल-ओनली और ज़ीरो-शॉट दृष्टिकोणों की तुलना में विविध डेटासेट्स पर अनसुपरवाइज्ड इमेज क्लस्टरिंग प्रदर्शन और मजबूती में महत्वपूर्ण सुधार होता है।
यह शोध पत्र TRACE का प्रस्ताव करता है, जो एक अनुभवात्मक ढांचा (experiential framework) है जो सुसंगत, सुदृढ़ और कुशल तर्क पथों को सुनिश्चित करने के लिए अनुकूलनशील अन्वेषण पूर्वधारणाओं (adaptive exploration priors) और एक दोहरे-फीडबैक पुन: रैंकिंग तंत्र के साथ LLM-संचालित प्रासंगिक तर्क को एकीकृत करके मल्टी-हॉप नॉलेज ग्राफ क्वेश्चन अनswering को बढ़ाता है।
HiEdit एक लाइफलोंग मॉडल एडिटिंग के लिए एक पदानुक्रमित सुदृढीकरण शिक्षण (hierarchical reinforcement learning) ढांचा है जो प्रत्येक इंस्टेंस के लिए ज्ञान-प्रासंगिक परतों की अनुकूल रूप से पहचान करता है, जिससे मॉडल की केवल आधी परतों को विक्षोभित करके सटीक अपडेट और साइड इफेक्ट्स एवं कैटास्ट्रोफिक फॉरगेटिंग को कम करना प्राप्त होता है।
यह शोध पत्र आइसोलेटेड साइन लैंग्वेज रिकग्निशन के लिए विजन लैंग्वेज मॉडल्स (VLMs) की ज़ीरो-शॉट क्षमता की जांच करता है, जो यह प्रकट करता है कि जहाँ वर्तमान ओपन-सोर्स मॉडल विशिष्ट क्लासिफायर्स की तुलना में काफी कम प्रदर्शन करते हैं, वहीं बड़े प्रोप्राइटरी मॉडल्स एक आशाजनक विजुअल-सिमेंटिक अलाइनमेंट प्रदर्शित करते हैं जो स्केल और डेटा विविधता के साथ बेहतर होता जाता है।
RECIPER एक ड्यूल-व्यू रिट्रीवल पाइपलाइन है जो पैराग्राफ-स्तरीय संदर्भ को LLM-निष्कर्षित प्रक्रियात्मक सारांशों के साथ जोड़कर प्रक्रिया-उन्मुख सामग्री प्रश्नोत्तर (procedure-oriented materials question answering) को बेहतर बनाता है, जिससे मानक डेंस रिट्रीवल विधियों की तुलना में रिट्रीवल प्रदर्शन और डाउनस्ट्रीम QA सटीकता में महत्वपूर्ण सुधार प्राप्त होता है।
यह शोध पत्र ट्रांजेक्शनल अटेंशन (Transactional Attention) को प्रस्तुत करता है, जो एक स्पॉन्सरशिप तंत्र है जो संरचनात्मक एंकर पैटर्न (structural anchor patterns) का उपयोग करके सुप्त लेकिन महत्वपूर्ण टोकन (जैसे क्रेडेंशियल्स) को KV-कैश संपीड़न में निष्कासन से बचाता है, जिससे वहां 100% रिट्रीवल सटीकता प्राप्त होती है जहां मौजूदा विधियां पूरी तरह से विफल हो जाती हैं।
यह शोध पत्र सिंथेटिक सुपरवाइज्ड फाइन-ट्यूनिंग डेटा उत्पन्न करने के लिए शिक्षकों के रूप में बहुभाषी भाषा मॉडलों का व्यवस्थित रूप से मूल्यांकन करता है, जिसमें यह प्रदर्शित करने के लिए "पॉलीग्लॉट स्कोर" पेश किया गया है कि केवल मॉडल का पैमाना ही नहीं, बल्कि प्रॉम्प्ट विविधता और प्रवाह जैसे विशिष्ट डेटा गुणवत्ता गुण छात्र के प्रदर्शन को निर्धारित करते हैं, और प्रभावी शिक्षक-छात्र युग्मों के चयन के लिए व्यावहारिक दिशा-निर्देश प्रदान करता है।
यह शोध पत्र "सलामी स्लाइसिंग रिस्क" (Salami Slicing Risk) की अवधारणा और संबंधित "सलामी अटैक" (Salami Attack) ढांचे को प्रस्तुत करता है, जो कई कम-जोखिम वाले इनपुट को एक श्रृंखला में जोड़कर हानिकारक व्यवहारों को संचयी रूप से ट्रिगर करके LLM सुरक्षा को दरकिनार कर देता है, जिससे विविध मॉडलों में 90% से अधिक सफलता दर प्राप्त होती है और साथ ही एक प्रभावी रक्षा रणनीति का प्रस्ताव भी दिया जाता है।
यह शोध पत्र कॉन्ट्रास्टिव रीजनिंग पाथ सिंथेसिस (CRPS) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो सफल और विफल मोंटे कार्लो ट्री सर्च प्रक्षेपवक्रों के बीच के विरोधाभासों का विश्लेषण करके उच्च-गुणवत्ता वाली तर्क श्रृंखलाओं को संश्लेषित करता है, जिससे काफी छोटे डेटासेट पर प्रशिक्षित मॉडल मानक रिजेक्शन सैंपलिंगिंग पर निर्भर मॉडलों से बेहतर प्रदर्शन करने में सक्षम होते हैं और आउट-ऑफ-डोमेन सामान्यीकरण में सुधार करते हैं।