11240 पेपर
यह अध्ययन इस धारणा को चुनौती देता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) के लिए अंग्रेजी इष्टतम भाषा है, यह प्रदर्शित करते हुए कि हालांकि ये मॉडल परीक्षण की गई सभी भाषाओं में मानव बेसलाइन से कम बेहतर प्रदर्शन करते हैं, लेकिन वे टोकनाइज़ेशन, प्रशिक्षण डेटा संरचना और भाषाई दूरी जैसे कारकों के कारण अंग्रेजी की तुलना में कुछ रोमांस भाषाओं में उच्च बोध सटीकता प्राप्त करते हैं।
AdaEvolve एक पदानुक्रमित अनुकूलन ढांचा (hierarchical adaptive optimization framework) है जो स्थिर शेड्यूल्स को गतिशील, LLM-संचालित तंत्रों से बदल देता है ताकि अन्वेषण (exploration) को नियंत्रित किया जा सके, संसाधनों को रूट किया जा सके और नवीन रणनीतियाँ उत्पन्न की जा सकें, जिससे यह विविध ओपन-एंडेड ऑप्टिमाइज़ेशन समस्याओं में मौजूदा बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र FT-Topic प्रस्तुत करता है, जो एक अनसुपरवाइज्ड फाइन-ट्यूनिंग दृष्टिकोण है जो LLM-आधारित टॉपिक मॉडलिंग को बढ़ाने के लिए वाक्य समूहों से स्वचालित रूप से प्रशिक्षण डेटासेट का निर्माण करता है, और अपनी प्रभावशीलता को नवीन, अत्याधुनिक SenClu पद्धति के माध्यम से प्रदर्शित करता है।
यह शोध पत्र FLUKE को प्रस्तुत करता है, जो एक भाषाई रूप से संचालित और कार्य-अज्ञेय (task-agnostic) ढांचा है जो मॉडल की मजबूती (robustness) का मूल्यांकन करने के लिए भाषाई स्तरों पर नियंत्रित विविधताओं का उपयोग करता है, जिससे यह पता चलता है कि प्राकृतिक प्रवाहपूर्ण संशोधन और निषेध (negation), सतही स्तर के भ्रष्टाचार (surface-level corruptions) की तुलना में अधिक चुनौतियां पेश करते हैं, और यह भी कि तर्क करने की क्षमताएं आवश्यक रूप से बेहतर मजबूती के साथ सह-संबंधित नहीं होती हैं।
यह शोधपत्र ConformalNL2LTL का प्रस्ताव करता है, जो एक नवीन विधि है जो उपयोगकर्ता द्वारा परिभाषित शुद्धता गारंटी के साथ प्राकृतिक भाषा निर्देशों को लीनियर टेम्पोरल लॉजिक (Linear Temporal Logic) सूत्रों में अनुवादित करती है, और यह उपयोगकर्ता के हस्तक्षेप को न्यूनतम करने के लिए कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) के साथ संवर्धित लार्ज लैंग्वेज मॉडल्स का उपयोग करके ओपन-वोकैबुलरी (open-vocabulary) प्रश्न-उत्तर समस्याओं को पुनरावर्ती रूप से हल करती है।
यह शोध पत्र एक नवीन शिक्षण प्रतिमान (learning paradigm) प्रस्तावित करता है जो एनकोडर-ओनली मॉडलों को प्रशिक्षित करने के लिए जनरेटिव लैंग्वेज मॉडल्स के साक्ष्य वर्गीकरण (evidence classification) और निहित औचित्य (entailed justifications) का लाभ उठाता है, जो तथ्य-जांच प्रदर्शन में महत्वपूर्ण सुधार करता है और विभिन्न रणनीतियों एवं डोमेन में मजबूती प्रदर्शित करता है।
यह शोध पत्र स्ट्रक्चर-ऑगमेंटेड रीजनिंग जनरेशन (SARG) को प्रस्तुत करता है, जो एक मॉड्यूलर पोस्ट-रिट्रीवल फ्रेमवर्क है जो अनस्ट्रक्चर्ड रिट्रीव्ड डॉक्यूमेंट्स को स्पष्ट नॉलेज ग्राफ और रीजनिंग चेन्स में बदलकर लार्ज लैंग्वेज मॉडल्स की मल्टी-हॉप रीजनिंग क्षमताओं को बढ़ाता है, जिससे बिना किसी कस्टम रिट्रिवर या फाइन-ट्यूनिंग की आवश्यकता के तथ्यात्मक सटीकता, रीजनिंग कोहेरेंस और व्याख्यात्मकता में महत्वपूर्ण सुधार होता है।
Revela एक स्केलेबल, सेल्फ-सुपरवाइज्ड ट्रेनिंग फ्रेमवर्क है जो इन-बैच अटेंशन के माध्यम से दस्तावेजों के बीच सिमेंटिक डिपेंडेंसी को मॉडल करके डेंस रिट्रीवर्स सीखने के लिए लैंग्वेज मॉडलिंग ऑब्जेक्टिव्स को अनुकूलित करता है, जिससे बिना किसी एनोटेटेड क्वेरी-डॉक्यूमेंट पेयर्स की आवश्यकता के विशेष और रीजनिंग-इंटेंसिव बेंचमार्क्स पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है।
यह शोध पत्र ClassifSAE को प्रस्तुत करता है, जो टेक्स्ट वर्गीकरण के लिए विशेष रूप से तैयार किया गया एक नवीन स्पार्स ऑटोएनकोडर-आधारित आर्किटेक्चर है, जो एक विशिष्ट क्लासिफायर हेड और एक्टिवेशन रेट स्पैरसिटी लॉस के माध्यम से निकाले गए फीचर्स की कार्य-कारणता (causality) और व्याख्यात्मकता (interpretability) में सुधार करके मौजूदा व्याख्यात्मकता विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र तर्क देता है कि लार्ज लैंग्वेज मॉडल्स के अति-आत्मविश्वास को दूर करने और मानव-मशीन विश्वास को बढ़ाने के लिए, मौखिक अनिश्चितता (verbalized uncertainty) को एक "मानव-अनुकरणकारी" (anthropomimetic) दृष्टिकोण अपनाना चाहिए जो मानवीय अनिश्चितता संचार में निहित सूक्ष्म भाषाई व्यवहारों और पूर्वाग्रहों की नकल करता है।