11158 पेपर
यह शोध पत्र स्पेकुलेटिव वर्डिक्ट (SV) का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो विविध लोकलाइजेशन उम्मीदवारों के लिए कई हल्के ड्राफ्ट विशेषज्ञों को एक मजबूत वर्डिक्ट मॉडल के साथ संश्लेषण के लिए जोड़कर सूचना-गहन दृश्य तर्क (विजुअल रीजनिंग) को बढ़ाता है, जिससे बिना किसी अतिरिक्त प्रशिक्षण के चुनौतीपूर्ण बेंचमार्क पर बेहतर सटीकता और दक्षता प्राप्त होती है।
यह शोध पत्र ट्रांसफॉर्मर, स्टेट-स्पेस और हाइब्रिड आर्किटेक्चर में इन-कॉन्टेक्स्ट लर्निंग की जांच करता है, जो यह प्रकट करता है कि हालांकि ये मॉडल समान व्यवहार संबंधी प्रदर्शन प्रदर्शित करते हैं, उनके आंतरिक तंत्र काफी भिन्न हैं, जिसमें फंक्शन वेक्टर्स पैरामीट्रिक ज्ञान पुनर्प्राप्ति में एक महत्वपूर्ण भूमिका निभाते हैं लेकिन अनिवार्य रूप से प्रासंगिक समझ (कॉन्टेक्स्टुअल अंडरस्टैंडिंग) में नहीं।
यह शोध पत्र GRDD+ प्रस्तुत करता है, जो 10 विविधताओं और 6.3 मिलियन से अधिक शब्दों वाले एक महत्वपूर्ण रूप से विस्तारित ग्रीक बोली संबंधी डेटासेट को समाहित करता है, और फ्रंटियर मॉडलों के साथ तुलना करते हुए तीन LLM आर्किटेक्चर पर फाइन-ट्यूनिंग प्रयोगों के माध्यम से इसके प्रभाव का मूल्यांकन करता है।
यह शोध पत्र एक दो-भागों वाले ढांचे को प्रस्तुत करता है जो हेजिंग वाक्यांश रैंकिंग के माध्यम से स्पष्ट अनिश्चितता को परिमाणित करता है और नैदानिक पथ विस्तार (डायग्नोस्टिक पाथवे एक्सपेंशन) के माध्यम से निहित अनिश्चितता को मॉडल करता है ताकि 'लंग्वेज++' (Lunguage++) बनाया जा सके, जो संरचित रेडियोलॉजी रिपोर्टों के लिए एक समृद्ध बेंचमार्क है जो अनिश्चितता-जागरूक नैदानिक विश्लेषण को सक्षम बनाता है।
यह शोध पत्र कंट्रास्टिव वेट स्टीयरिंग (contrastive weight steering) प्रस्तुत करता है, जो एक पोस्ट-ट्रेनिंग तकनीक है जो विपरीत व्यवहारों से फाइन-ट्यूनिंग डेल्टा को घटाकर वेट स्पेस में व्यवहारिक दिशाओं को अलग करती है, जिससे एलएलएम (LLMs) पर मजबूत आउट-ऑफ-डिस्ट्रीब्यूशन नियंत्रण (जैसे कि चाटुकारिता को कम करना या मिसअलाइनमेंट को प्रेरित करना) सक्षम होता है और कार्य प्रदर्शन को बनाए रखते हुए अनचाहे व्यवहारिक विचलन को कम किया जा सकता है।
यह शोध पत्र 'मोरल फाउंडेशन्स क्वेश्चननेयर' का उपयोग करके पर्सोना रोल-प्ले के तहत लार्ज लैंग्वेज मॉडल्स में नैतिक संवेदनशीलता और सुदृढ़ता को मापने के लिए एक बेंचमार्क प्रस्तुत करता है, जो यह प्रकट करता है कि मॉडल परिवार मुख्य रूप से सुदृढ़ता निर्धारित करता है (जिसमें क्लॉड सबसे अधिक सुदृढ़ है) जबकि मॉडल का आकार संवेदनशीलता को प्रेरित करता है, और ये दोनों गुण सकारात्मक रूप से सह-संबंधित हैं।
यह शोध पत्र वास्तविक उपयोगकर्ता परिदृश्यों पर आधारित कंपोजिशनल म्यूजिक इंफॉर्मेशन रिट्रीवल के लिए एक बेंचमार्क, CSyMR-Bench पेश करता है, और यह प्रदर्शित करता है कि एक टूल-ऑगमेंटेड फ्रेमवर्क जो ReAct-शैली के तर्क को नियत प्रतीकात्मक विश्लेषण (deterministic symbolic analysis) के साथ जोड़ता है, जटिल संगीत स्कोर प्रश्नों का उत्तर देने में स्टैंडअलोन लार्ज लैंग्वेज मॉडल्स की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र यह प्रदर्शित करता है कि BERT-6 जैसे NLP मॉडलों के प्री-ट्रेनिंग और फाइन-ट्यूनिंग के दौरान स्वतःस्फूर्त सममिति भंग (spontaneous symmetry breaking) होती है, जहाँ व्यक्तिगत अटेंशन नोड्स विशिष्ट क्षमताएं प्राप्त करते हैं जो, सहकारी स्केलिंग (cooperative scaling) के माध्यम से, वैश्विक कार्य प्रदर्शन को उनके व्यक्तिगत भागों के योग से अधिक बढ़ा देते हैं।
यह शोध पत्र इंटेंशन-ट्यूनिंग (Intention-Tuning) को प्रस्तुत करता है, जो एक कुशल लेयर-वाइज फाइन-ट्यूनिंग फ्रेमवर्क है जो लेखक के इरादों (intentions) को सीखने और इन निरूपणों (representations) को टेक्स्ट रिवीज़न जनरेशन में स्थानांतरित करने के लिए विशिष्ट LLM लेयर्स को गतिशील रूप से चुनता है, जो सीमित एनोटेटेड डेटा वाले मल्टी-इंटेंट परिदृश्यों की चुनौतियों को प्रभावी ढंग से संबोधित करता है।
यह अध्ययन पाता है कि जबकि व्यक्तिगत LLM-जनित संदेशों में 'बिग फाइव' व्यक्तित्व लक्षणों को समाविष्ट करने से उनके तत्काल मूल्यांकन में सुधार नहीं होता है, ऐसे व्यक्तित्व-अनुरूप संदेशों का उच्च संचयी जोखिम उपयोगकर्ताओं की वैयक्तिकरण (पर्सनलाइजेशन), उपयुक्तता और भावनात्मक कल्याण की समग्र धारणाओं को महत्वपूर्ण रूप से बढ़ाता है, जो यह सुझाव देता है कि व्यवहार परिवर्तन प्रणालियों में व्यक्तित्व-आधारित वैयक्तिकरण मुख्य रूप से प्रति-संदेश अनुकूलन के बजाय संचयी जोखिम के माध्यम से कार्य करता है।