22512 पेपर
यह शोध पत्र एक भारित हानि उद्देश्य (weighted loss objective) प्रस्तावित करता है जो पदानुक्रमित बहु-लेबल वर्गीकरण (hierarchical multi-label classification) में दुर्लभ नोड्स के पता लगाने में सुधार करने के लिए एन्सेम्बल अनिश्चितताओं (ensemble uncertainties) पर आधारित फोकल वेटिंग के साथ नोड-वार असंतुलन वेटिंग को जोड़ता है, जिसके परिणामस्वरूप रिकॉल और स्कोर में महत्वपूर्ण लाभ प्राप्त होता है।
यह शोध पत्र प्रदर्शित करता है कि सुदृढीकरण अधिगम (reinforcement learning) द्वारा प्रशिक्षित भाषा मॉडलों के लिए, तर्क सटीकता (reasoning accuracy) आउटपुट लंबाई के साथ एक गैर-एकदिष्ट (non-monotonic) संबंध प्रदर्शित करती है, जो एक मध्यवर्ती मान पर चरम पर पहुँचती है क्योंकि यह बढ़ते हुए सटीक केंद्रीय प्रवृत्ति (central tendency) के आसपास बढ़ते हुए प्रसार (dispersion) के कारण होता है, भले ही विचार श्रृंखलाओं (chains of thought) के लंबा होने के साथ मोड सटीकता (mode accuracy) में सुधार जारी रहता है।
यह शोध पत्र कलमन लीनियर अटेंशन (KLA) को प्रस्तुत करता है, जो एक समानांतर करने योग्य (parallelizable) सीक्वेंस मिक्सिंग लेयर है, जो स्पष्ट अनिश्चितता के साथ नॉन-लीनियर, स्कैन-पैरल स्टेट अपडेट प्राप्त करने के लिए इंफॉर्मेशन-फॉर्म कलमन फ़िल्टर का उपयोग करके सटीक बेयसियन फ़िल्टरिंग को पुनर्गठित करता है, जिससे मौजूदा लीनियर-कॉम्प्लेक्सिटी मॉडल्स जैसे कि मम्बा (Mamba) और GLA की तुलना में इसकी अभिव्यक्ति (expressivity) और स्टेट-ट्रैकिंग क्षमताओं को बढ़ाते हुए कम्प्यूटेशनल दक्षता को बनाए रखा गया है।
SoftMatcha 2 एक अल्ट्रा-फास्ट, लचीला खोज एल्गोरिदम है जो ट्रिलियन-स्केल कॉर्पोरा पर सफिक्स एरेज़ (suffix arrays), वेक्टर-आधारित शब्द निरूपण और कॉम्बिनेटोरियल विस्फोट को कम करने के लिए डायनेमिक कॉर्पस-अवेयर प्रूनिंग का लाभ उठाकर 0.3-सेकंड से कम समय में सिमेंटिक पैटर्न मिलान सक्षम करता है।
यह शोध पत्र लर्नड ग्रेडिएंट फ्लो (LGF) ऑप्टिमाइज़र का परिचय देता है, जो डेटा-संचालित समीकरण खोज (data-driven equation discovery) का उपयोग करके प्रक्षेपवक्र डेटा (trajectory data) से निरंतर-समय गतिकी (continuous-time dynamics) के सरोगेट मॉडल सीखने के माध्यम से इंजीनियरिंग अनुकूलन को त्वरित करता है, जिससे महंगे ऑब्जेक्टिव और ग्रेडिएंट मूल्यांकन से बचा जा सकता है।
यह शोध पत्र वैश्विक मौसम मॉडलों में अनुभवजन्य स्केलिंग कानूनों का विश्लेषण करता है, जो यह प्रकट करता है कि प्रदर्शन को गहरे मॉडलों या बढ़े हुए पैरामीटर काउंट के बजाय व्यापक आर्किटेक्चर और बड़े प्रशिक्षण डेटासेट को प्राथमिकता देकर अधिकतम किया जाता है, जिसमें कंप्यूट-ऑप्टिमल रणनीतियाँ निश्चित बजट के तहत डेटा विस्तार के पक्ष में होती हैं।
यह शोध पत्र PoQ-Judge को प्रस्तुत करता है, जो एक मल्टी-आर्किटेक्चर फ्रेमवर्क है जो विकेंद्रीकृत LLM इन्फरेंस गुणवत्ता का मूल्यांकन करने के लिए रेफरेंस-फ्री जज मॉडल को प्रशिक्षित करता है, जो ऑनलाइन कैलिब्रेशन और कैस्केड इवैल्यूएशन के माध्यम से ग्राउंड-ट्रुथ प्रॉक्सी के साथ मजबूत सहसंबंध और महत्वपूर्ण लागत कटौती प्राप्त करता है।
NightFeats एक संदर्भ-अनुकूलित (context-optimized), मल्टी-एजेंट RAG सिस्टम है जिसने संकीर्ण मीट्रिक अनुकूलन के बजाय वास्तुशिल्प पारदर्शिता और सत्यापन योग्य साक्ष्य ग्राउंडिंग के माध्यम से प्रोप्रायटरी बेसलाइन्स को पछाड़ने के लिए रिट्रीवल (retrieval), क्यूरेशन (curation) और कंपोजिशन (composition) के एक सिद्धांत-आधारित तीन-चरणीय पाइपलाइन का उपयोग करके NeurIPS 2025 में 'बेस्ट डायनेमिक इवैल्यूएशन' जीता है।
यह शोध पत्र BlendIn को पेश करता है, जो एक इन्फरेंस-टाइम अलाइनमेंट फ्रेमवर्क है जो बाइनरी गाइडेंस इंटरवेंशन के स्थान पर एक संभाव्य ब्लेंडिंग दृष्टिकोण का उपयोग करके मॉडल की सुरक्षा और दक्षता में सुधार करता है, जो उनके आकलित विश्वसनीयता के आधार पर कई मॉडलों के योगदान को गतिशील रूप से भारित (weight) करता है।
लैटिसब्रिज (LatticeBridge) एक प्रीफिक्स लैंग्वेज मॉडल को इंस्टेंस-कंपाइल्ड सरफेस ऑटोमेटा और एक ट्विस्टेड सीक्वेंशियल मोंटे कार्लो डिकोडर के साथ संयोजित करके, उन संरचित अनुक्रमों को उत्पन्न करने की चुनौती का समाधान करता है जो कई इनपुट-व्युत्पन्न बाधाओं को संतुष्ट करते हैं, जिससे विविध प्राकृतिक भाषा पीढ़ी कार्यों में मानक डिकोडिंग बेसलाइनों की तुलना में बेहतर बाधा संतुष्टि और निष्ठा प्राप्त होती है।