10999 पेपर
BADAS-2.0 दुर्लभ सुरक्षा-महत्वपूर्ण परिदृश्यों के लिए एक बड़े पैमाने के लॉन्ग-टेल बेंचमार्क को पेश करके टकराव के पूर्वानुमान को उन्नत करता है, कुशल नॉलेज डिस्टिलेशन के माध्यम से वास्तविक समय में एज पर तैनाती सक्षम करता है, और ऑब्जेक्ट-सेंट्रिक अटेंशन हीटमैप्स एवं विजन-लैंग्वेज रीजनिंग के माध्यम से व्याख्या योग्य भविष्यवाणियां प्रदान करता है।
यह शोधपत्र GenomeQA प्रस्तुत करता है, जो कच्चे जीनोम अनुक्रमों (raw genome sequences) को समझने में सामान्य-उद्देश्य वाले लार्ज लैंग्वेज मॉडल्स की क्षमताओं का मूल्यांकन और निदान करने के लिए छह कार्य परिवारों के तहत 5,200 नमूनों वाला एक व्यापक बेंचमार्क है, जो स्थानीय संकेतों का लाभ उठाने की उनकी क्षमता को प्रकट करता है और जटिल बहु-चरणीय अनुमान (multi-step inference) में उनकी सीमाओं को उजागर करता है।
यह शोध पत्र PhageBench को प्रस्तुत करता है, जो पांच-कार्य वर्कफ़्लो के माध्यम से कच्चे बैक्टीरियोफेज जीनोम पर लार्ज लैंग्वेज मॉडल्स (LLMs) का मूल्यांकन करने के लिए पहला बेंचमार्क है, जो यह प्रकट करता है कि जहाँ सामान्य-उद्देश्य वाले मॉडल बुनियादी पहचान और होस्ट प्रेडिक्शन में आशाजनक प्रदर्शन दिखाते हैं, वहीं वे वर्तमान में लंबी दूरी की निर्भरताओं (long-range dependencies) और सूक्ष्म कार्यात्मक स्थानीयकरण (fine-grained functional localization) से जुड़े जटिल तर्क में संघर्ष करते हैं।
यह शोध पत्र एक ज्ञान-भारित फाइन-ट्यूनिंग (knowledge-weighted fine-tuning) पद्धति प्रस्तावित करता है जो इंस्टेंस-स्तरीय ज्ञान स्कोर का उपयोग करती है ताकि बड़े भाषा मॉडलों (large language models) को ज्ञात विषयों पर सटीकता बनाए रखते हुए आउट-ऑफ-स्कोप प्रश्नों के लिए अनिश्चितता को स्पष्ट रूप से व्यक्त करने में मदद मिल सके, जिससे ज्ञान के गलत संरेखण (knowledge misalignment) के कारण होने वाले मतिभ्रम (hallucinations) को कम किया जा सके।
यह शोध पत्र CLEAR का प्रस्ताव करता है, जो एक नवीन रिवर्स-ट्रेनिंग लॉस फंक्शन है जो क्रॉस-लिंगुअल अलाइनमेंट और रिट्रीवल प्रदर्शन को बढ़ाने के लिए अंग्रेजी को एक सेतु के रूप में उपयोग करता है, विशेष रूप से कम संसाधन वाली भाषाओं के लिए, जबकि अंग्रेजी में होने वाली गिरावट को न्यूनतम करता है।
यह अध्ययन प्रदर्शित करता है कि जनसांख्यिकी-तटस्थ प्रशिक्षण तकनीकें, विशेष रूप से डेटा संवर्धन (डेटा ऑग्मेंटेशन) और ज्ञान आसवन (नॉलेज डिस्टिलेशन), प्रशिक्षण चरण के दौरान जनसांख्यिकीय लेबल को बाहर करके, विविध वक्ता समूहों में वेक-अप वर्ड डिटेक्शन में प्रदर्शन संबंधी असमानताओं को महत्वपूर्ण रूप से कम करती हैं।
AgentGL एक नवीन सुदृढीकरण शिक्षण (Reinforcement Learning) ढांचे को प्रस्तुत करता है जो टोपोलॉजी-जागरूक ग्राफ अन्वेषण (topology-aware graph exploration) को खोज-प्रतिबंधित सोच (search-constrained thinking) के साथ एकीकृत करके, बड़े भाषा मॉडलों (Large Language Models) को जटिल संबंधपरक वातावरणों में स्वायत्त रूप से नेविगेट करने और तर्क करने के लिए सशक्त बनाता है, जिससे नोड वर्गीकरण और लिंक भविष्यवाणी कार्यों में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र "विशिष्टता" (distinctiveness) को प्रस्तुत करता है, जो एक प्रतिनिधित्व-स्तर का मीट्रिक है जो शिक्षार्थी के प्रतिनिधित्वों का मूल्यांकन निर्देशात्मक परिणामों की आवश्यकता के बिना छात्रों के बीच सार्थक अंतरों को संरक्षित करने की उनकी क्षमता के आधार पर करता है, यह प्रदर्शित करते हुए कि संचित शिक्षार्थी-स्तरीय प्रतिनिधित्व विभेदित मॉडलिंग और वैयक्तिकरण में सहायता करने के लिए इंटरैक्शन-स्तरीय प्रतिनिधित्वों की तुलना में बेहतर प्रदर्शन करते हैं।
यह शोधपत्र इस बात की जांच करता है कि लार्ज रीजनिंग मॉडल्स में अनुक्रमिक सैंपलिंग (sequential sampling) के सैद्धांतिक लाभों के बावजूद पैरेलल सैंपलिंग (parallel sampling) क्यों बेहतर प्रदर्शन करती है, और अनुभवजन्य विश्लेषण के माध्यम से यह निष्कर्ष निकालता है कि प्रदर्शन का यह अंतर मुख्य रूप से पिछले उत्तरों पर निर्भर रहने के कारण अनुक्रमिक सैंपलिंग के कम अन्वेषण (reduced exploration) से उत्पन्न होता है, न कि एकत्रीकरण सीमाओं या संदर्भ लंबाई की बाधाओं के कारण।
यह शोध पत्र MCircKE को प्रस्तुत करता है, जो एक नवीन ढांचा (framework) है जो विशिष्ट तर्क कार्यों के लिए जिम्मेदार कॉज़ल सर्किट्स (causal circuits) की पहचान करके और उन्हें सर्जिकल रूप से अपडेट करके ज्ञान संपादन (knowledge editing) में "रीज़निंग गैप" (reasoning gap) को पाटता है, जिससे लार्ज लैंग्वेज मॉडल्स को मल्टी-स्टेप रीज़निंग चेन्स में संपादित तथ्यों का प्रभावी ढंग से उपयोग करने में सक्षम बनाया जा सके।