11070 पेपर
यह अध्ययन प्रदर्शित करता है कि OpenAI के GPT परिवार के लार्ज लैंग्वेज मॉडल्स, बिना फाइन-ट्यूनिंग की आवश्यकता के, विशेषज्ञ-एनोटेटेड डेटासेट और रिट्रीवल ऑग्मेंटेशन का उपयोग करके वैज्ञानिक साहित्य में त्रुटिपूर्ण उद्धरणों का प्रभावी ढंग से पता लगा सकते हैं।
यह शोध पत्र अनुभवजन्य रूप से यह प्रदर्शित करता है कि केवल प्रॉम्प्ट की लंबाई ही नहीं, बल्कि प्रॉम्प्ट के अर्थ संबंधी भाव और विशिष्ट कार्य-संबंधी कीवर्ड्स, लार्ज लैंग्वेज मॉडल इन्फरेंस (Large Language Model inference) की ऊर्जा खपत को महत्वपूर्ण रूप से प्रभावित करते हैं, जो रणनीतिक प्रॉम्प्ट डिज़ाइन के माध्यम से दक्षता को अनुकूलित करने की क्षमता को उजागर करते हैं।
यह शोध पत्र KARL का प्रस्ताव देकर नॉलेज-इंटेंसिव विजुअल ग्राउंडिंग में नॉलेज-ग्राउंडिंग गैप को संबोधित करता है, जो एंटिटी लोकलाइजेशन में सुधार के लिए नॉलेज-गाइडेड रीजनिंग डेटा को एडेप्टिव रीइन्फोर्समेंट लर्निंग के साथ जोड़ता है, जिसे नए KVG-Bench बेंचमार्क द्वारा मान्य किया गया है।
यह शोधपत्र LEXam को प्रस्तुत करता है, जो 116 पाठ्यक्रमों के 340 कानून परीक्षाओं के 7,537 प्रश्नों से बना एक व्यापक बेंचमार्क है, जिसका उद्देश्य एक सत्यापित LLM-as-a-Judge ढांचे के माध्यम से संरचित, बहु-चरणीय कानूनी तर्क करने में बड़े भाषा मॉडलों (LLMs) की वर्तमान सीमाओं का कठोरता से मूल्यांकन और प्रदर्शन करना है।
SAKE एक सुदृढीकरण शिक्षण (reinforcement learning) द्वारा संचालित एजेंटिक फ्रेमवर्क है जो छोटे, ओपन-वेट LLMs को एंटिटी एक्सट्रैक्शन, ग्रुप फ़िल्टरिंग और एसोसिएटिव रीजनिंग के लिए स्ट्रक्चर्ड नॉलेज ग्राफ टूल्स को स्वायत्त रूप से इंटरलीव करके जटिल ज्ञान एक्सट्रपलेशन कार्यों में अत्याधुनिक प्रदर्शन प्राप्त करने में सक्षम बनाता है, जिससे वे बड़े मॉडलों से भी बेहतर प्रदर्शन करते हुए टोकन के उपयोग को काफी कम कर देते हैं।
यह शोध पत्र मैनुअल, पैटर्न-आधारित और एलएलएम-संचालित कॉम्पिटेंसी क्वेश्चन (CQ) इलिसिटेशन विधियों का एक अनुभवजन्य तुलनात्मक मूल्यांकन प्रस्तुत करता है, जो यह प्रकट करता है कि हालांकि एलएलएम प्रभावी ढंग से प्रारंभिक सीक्यू (CQ) उत्पन्न कर सकते हैं, लेकिन परिणामी आउटपुट गुणवत्ता में काफी भिन्न होते हैं और ऑन्टोलॉजी मॉडलिंग के लिए उपयोग किए जाने से पहले आमतौर पर मानव परिशोधन की आवश्यकता होती है।
यह शोध पत्र ऑप्टिमस (Optimus) को प्रस्तुत करता है, जो एक सुदृढ़ रक्षा ढांचा है जो प्रशिक्षण-मुक्त विषाक्तता वर्गीकरण और एक दोहरी-रणनीति संरेखण प्रक्रिया का लाभ उठाकर फाइन-ट्यून किए गए संवादात्मक एआई में विषाक्तता को कम करता है, जो प्रभावी रूप से उपयोगिता को संरक्षित करता है और पक्षपाती क्लासिफायर और प्रतिकूल हमलों की स्थितियों में भी अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है।
यह शोध पत्र यूरोपीय संसद की बहसों का सारांश निकालने वाले पांच बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) का मूल्यांकन करता है, जो क्रम, भाषा और राजनीतिक संबद्धता के आधार पर वक्ताओं के विरुद्ध व्यवस्थित पूर्वाग्रहों को प्रकट करता है, और एक पदानुक्रमित सारांशीकरण पद्धति प्रस्तावित करता है ताकि उन समावेशी पूर्वाग्रहों को प्रभावी ढंग से कम किया जा सके जहाँ प्रॉम्प्टिंग रणनीतियाँ विफल हो जाती हैं।
यह शोध पत्र एक नवीन मूल्यांकन मीट्रिक और एक दो-चरणीय फ्यूजन-आधारित जनरेशन मॉडल का प्रस्ताव करके स्वचालित संकट संचार में शैलीगत निरंतरता की महत्वपूर्ण आवश्यकता को संबोधित करता है जो मौजूदा बेसलाइनों की तुलना में प्रतिक्रिया की गुणवत्ता और एकरूपता में काफी सुधार करता है।
यह शोध पत्र एक नियंत्रित-साक्षरता (Controlled-Literacy) ढांचे का प्रस्ताव करता है जो स्वास्थ्य संबंधी गलत सूचनाओं के विरुद्ध अनुकूलित प्रति-भाषण (counterspeech) उत्पन्न करने के लिए रिट्रीवल-ऑगमेंटेड जनरेशन को सुदृढीकरण लर्निंग (reinforcement learning) के साथ जोड़ता है, ताकि पहुंच और प्रभावशीलता बढ़ाने के लिए विशिष्ट दर्शकों के स्वास्थ्य साक्षरता स्तरों के अनुरूप अनुकूलित किया जा सके।