11070 पेपर
यह शोधपत्र FormalProofBench को पेश करता है, जो Lean 4 में औपचारिक रूप से सत्यापित स्नातक-स्तरीय गणितीय प्रमाण उत्पन्न करने की एआई मॉडलों की क्षमता का मूल्यांकन करने के लिए एक निजी बेंचमार्क है, जो यह प्रकट करता है कि सर्वश्रेष्ठ प्रदर्शन करने वाला मॉडल केवल 33.5% सटीकता प्राप्त करता है और टूल के उपयोग, विफलता के तरीकों और दक्षता का एक व्यापक विश्लेषण प्रदान करता है।
PHONOS एक वास्तविक समय (real-time) स्ट्रीमिंग मॉड्यूल है जो स्पीकर अनामीकरण (speaker anonymization) के लिए है, जो पहले से जनरेट किए गए गोल्डन उत्तरोत्तर वाक्यों (golden utterances) का उपयोग करके एक कॉज़ल एक्सेंट ट्रांसलेटर (causal accent translator) को प्रशिक्षित करता है ताकि गैर-नेटिव लहजों को नेटिव जैसा दिखने के लिए न्यूट्रलाइज किया जा सके, जिससे कम विलंबता (latency) बनाए रखते हुए लहजे-आधारित पहचान के जोखिमों को महत्वपूर्ण रूप से कम किया जा सके।
यह शोध पत्र तर्क देता है कि एआई-जनित पाठ में एम-डैश (em dash) का विशिष्ट अतिप्रयोग मार्कडाउन-संतृप्त प्रशिक्षण डेटा का एक संरचनात्मक अवशेष है जो मॉडलों को स्वरूपण (formatting) से बचने के निर्देश देने पर भी बना रहता है, जो इसे केवल एक शैलीगत दोष के बजाय विशिष्ट फाइन-ट्यूनिंग पद्धतियों के एक नैदानिक हस्ताक्षर के रूप में प्रस्तुत करता है।
यह शोध पत्र RASPRef को प्रस्तुत करता है, जो एक रिट्रीवल-ऑगमेंटेड (retrieval-augmented), सेल्फ-सुपरवाइज्ड फ्रेमवर्क है जो मानव एनोटेशन की आवश्यकता के बिना प्रदर्शन को बढ़ाने के लिए कंसिस्टेंसी सिग्नल्स (consistency signals) और वेरीफायर फीडबैक का उपयोग करके बड़े रीजनिंग मॉडल्स के लिए प्रॉम्प्ट्स को पुनरावृत्ति (iteratively) के माध्यम से परिष्कृत करता है।
यह शोध पत्र पाश्तो कॉमन वॉयस कॉर्पस का परिचय देता है, जो पाश्तो के लिए पहला बड़े पैमाने का, ओपन स्पीच डेटासेट है, जिसे 2022 से 2025 तक एक समुदाय-संचालित प्रयास के माध्यम से विकसित किया गया था ताकि 6 करोड़ वक्ताओं वाली इस भाषा के लिए स्पीच रिकग्निशन प्रदर्शन में महत्वपूर्ण सुधार किया जा सके, जिससे विस्पर बेस (Whisper Base) को फाइन-ट्यून करने पर वर्ड एरर रेट (word error rate) 99.0% से घटकर 13.4% हो गया।
यह अध्याय डेटा इंजीनियरिंग की वर्तमान सीमाओं को दूर करने के लिए पारंपरिक संरचित स्रोतों के साथ असंरचित पाठ्य डेटा के एकीकरण का समर्थन करता है, जबकि इससे जुड़ी चुनौतियों, अत्याधुनिक समाधानों और खुले अनुसंधान संबंधी प्रश्नों को रेखांकित करता है।
यह शोध पत्र ChartNet को प्रस्तुत करता है, जो एक कोड-निर्देशित पाइपलाइन के माध्यम से निर्मित एक मिलियन-स्केल, उच्च-गुणवत्ता वाला मल्टीमॉडल डेटासेट है, जो चार्ट की समझ और विजन-लैंग्वेज मॉडल्स की तर्क करने की क्षमताओं को महत्वपूर्ण रूप से बढ़ाने के लिए प्लॉटिंग कोड, छवियों, डेटा तालिकाओं, सारांशों और तर्क संबंधी प्रश्नों को संरेखित करता है।
यह शोध पत्र एक टाइम-स्लाइस्ड वैज्ञानिक पूर्वानुमान ढांचे और फ्यूचर अलाइनमेंट स्कोर (FAS) को प्रस्तुत करता है ताकि बड़े भाषा मॉडलों को ऐसे शोध प्रस्ताव तैयार करने के लिए प्रशिक्षित किया जा सके जो भविष्य की वैज्ञानिक दिशाओं का सफलतापूर्वक पूर्वानुमान लगा सकें, जिससे यह प्रदर्शित होता है कि यह दृष्टिकोण प्रस्ताव की गुणवत्ता में महत्वपूर्ण सुधार करता है और वास्तविक दुनिया के कार्यों में व्यावहारिक प्रदर्शन लाभ प्रदान करता है।
daVinci-LLM पेपर औद्योगिक-स्तर के संसाधनों और पूर्ण अनुसंधान स्वतंत्रता के एक अनूठे संयोजन का लाभ उठाकर प्रीट्रेनिंग के एक पूर्णतः-खुले, व्यवस्थित विज्ञान को स्थापित करता है, जिसमें "डेटा डार्विनिज्म" ढांचे को पेश किया गया है और व्यापक एब्लेशन अध्ययनों के माध्यम से यह प्रदर्शित किया गया है कि डेटा की मात्रा के साथ-साथ प्रोसेसिंग डेप्थ, एडेप्टिव डोमेन रणनीतियाँ और कंपोजिशनल बैलेंस मॉडल क्षमता के महत्वपूर्ण निर्धारक हैं।
LightMover एक नवीन फ्रेमवर्क है जो वीडियो डिफ्यूजन प्रायर्स (video diffusion priors) और एक एडेप्टिव टोकन-प्रूनिंग मैकेनिज्म का लाभ उठाता है ताकि बिना सीन को पुन: रेंडर किए, एकल छवियों में प्रकाश की स्थिति, रंग और तीव्रता पर सटीक, भौतिक रूप से प्रशंसनीय नियंत्रण सक्षम किया जा सके।