11158 पेपर
यह शोध पत्र एक "स्टिक-ऑर-स्विच" (stick-or-switch) ढांचे को प्रस्तुत करता है जो यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स के साथ बहु-चरण (multi-turn) बातचीत नैदानिक तर्क (diagnostic reasoning) को काफी हद तक कम कर देती है, क्योंकि इससे मॉडल सही प्रारंभिक निदान या सुरक्षित परहेज को छोड़कर उपयोगकर्ता के गलत सुझावों को अपनाने लगते हैं, जिसे "कन्वर्सेशन टैक्स" (conversation tax) नामक घटना कहा गया है।
यह शोध पत्र यह प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स द्वारा ऊर्जा समाचारों से निकाले गए बहु-आयामी सेंटिमेंट संकेत, विशेष रूप से जब उन्हें पारंपरिक वित्तीय सेंटिमेंट मॉडल्स के साथ जोड़ा जाता है, सरल ध्रुवीयता (polarity) से परे तीव्रता और अनिश्चितता जैसे सूक्ष्म अंतरों को पकड़कर साप्ताहिक डब्ल्यूटीआई (WTI) कच्चे तेल वायदा रिटर्न के पूर्वानुमान में महत्वपूर्ण सुधार करते हैं।
यह शोध पत्र तर्क देता है कि जहाँ लार्ज लैंग्वेज मॉडल्स वाक्य प्रसंस्करण पर संरचनात्मक अस्पष्टता के प्रभाव को पकड़ने में विफल रहते हैं, वहीं पार्टिकल फ़िल्टर मॉडल ऐसी अस्पष्टता का स्पष्ट रूप से प्रतिनिधित्व करते हैं और एल्गोरिद्मिक रूप से प्रवर्धित 'गार्डन-पाथ' प्रभावों और "डिगिंग-इन" (digging-in) घटनाओं की भविष्यवाणी करते हैं—जहाँ पुन: नमूनाकरण (resampling) तंत्र के कारण अस्पष्ट क्षेत्र की लंबाई के साथ विस्पष्टीकरण की कठिनाई बढ़ जाती है।
यह शोध पत्र MaterialFigBench को प्रस्तुत करता है, जो 137 विश्वविद्यालय-स्तरीय पदार्थ विज्ञान (मटेरियल्स साइंस) की समस्याओं का एक बेंचमार्क डेटासेट है जिसमें आकृतियों की व्याख्या की आवश्यकता होती है, जो यह प्रकट करता है कि मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में सुधार के बावजूद, वे अभी भी वास्तविक दृश्य तर्क (विजुअल रीजनिंग) और मात्रात्मक विश्लेषण में संघर्ष करते हैं, और अक्सर प्रदान किए गए आरेखों को सटीक रूप से पढ़ने के बजाय याद किए गए ज्ञान पर निर्भर रहते हैं।
यह शोध पत्र BLooP को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त डिकोडिंग हस्तक्षेप (training-free decoding intervention) है, जो स्रोत दस्तावेज़ में पाए जाने वाले बिग्राम्स (bigrams) के निर्माण को बढ़ावा देकर बड़े भाषा मॉडलों (large language models) में ज़ीरो-शॉट एब्स्ट्रैक्टिव समराइजेशन (zero-shot abstractive summarization) की निष्ठा (faithfulness) में सुधार करता है।
यह शोध पत्र एक उन्नत कारण संबंधी अनुमान (causal inference) ढांचे का प्रस्ताव करता है जो कानूनी कारकों को सटीक रूप से निकालने और कारण संरचनाओं को स्पष्ट करने के लिए लार्ज लैंग्वेज मॉडल प्रायर (LLM priors) को सांख्यिकीय कारण खोज (statistical causal discovery) के साथ एकीकृत करता है, जिससे स्पूरियस सहसंबंधों (spurious correlations) को कम करके लीगल जजमेंट प्रेडिक्शन की सटीकता और मजबूती में सुधार होता है।
यह अनुभवजन्य अध्ययन प्रकट करता है कि छोटे भाषा मॉडल (≤7B पैरामीटर्स) मौलिक रूप से पुनर्प्राप्त जानकारी का उपयोग करने में संघर्ष करते हैं, जो अक्सर पूर्ण पुनर्प्राप्ति के बावजूद सही उत्तर निकालने में विफल रहते हैं और अक्सर विचलित होने के कारण पहले से ज्ञात ज्ञान को खो देते हैं, जो यह संकेत देता है कि इस पैमाने पर RAG के लिए संदर्भ उपयोग—न कि पुनर्प्राप्ति की गुणवत्ता—मुख्य बाधा है।
यह शोध पत्र एक्सपर्ट थ्रेशोल्ड (ET) राउटिंग को प्रस्तुत करता है, जो एक पूर्णतः कॉज़ल (causal) तंत्र है जो सहायक नुकसान (auxiliary losses) के बिना स्कोर थ्रेशोल्ड के आधार पर स्वतंत्र रूप से टोकन को रूट करके गणना को गतिशील रूप से आवंटित करता है और विशेषज्ञों के बीच भार को संतुलित करता है, जिससे यह ऑटोरेग्रेसिव लैंग्वेज मॉडलिंग में पारंपरिक टोकन-चॉइस मिक्सचर-ऑफ-एक्सपर्ट्स से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक एजेंटिक एआई फ्रेमवर्क पेश करता है जिसमें एक केंद्रीय सुपरवाइजर (Supervisor) शामिल है जो टेक्स्ट, इमेज, ऑडियो, वीडियो और डॉक्यूमेंट मोडैलिटीज के माध्यम से विशेष उपकरणों को गतिशील रूप से ऑर्केस्ट्रेट करता है ताकि पदानुक्रमित बेसलाइन (hierarchical baselines) की तुलना में सटीकता समानता बनाए रखते हुए रिस्पॉन्स टाइम, संवादात्मक पुनरावृत्ति (conversational rework) और लागत में महत्वपूर्ण कमी प्राप्त की जा सके।
यह शोध पत्र हिकारी (Hikari) का परिचय देता है, जो एक पॉलिसी-मुक्त, एंड-टू-एंड मॉडल है जो एक संभाव्य 'वेट' (WAIT) टोकन तंत्र, डिकोडर टाइम डायलेशन (Decoder Time Dilation), और एक विशेष फाइन-ट्यूनिंग रणनीति का उपयोग करके कई भाषा युग्मों में गुणवत्ता-विलंबता (quality-latency) संतुलन को महत्वपूर्ण रूप से बेहतर बनाकर अत्याधुनिक समवर्ती स्पीच-टू-टेक्स्ट ट्रांसलेशन और स्ट्रीमिंग ट्रांसक्रिप्शन प्राप्त करता है।