19863 पेपर
यह शोध पत्र टर्बो कनेक्शन (TurboConn) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो उच्च से निम्न परतों तक कई रेसिडुअल कनेक्शनों को रूट करके प्री-ट्रेंड LLMs की तर्क क्षमताओं को बढ़ाता है, जिससे फिक्स्ड-डेप्थ कंप्यूटेशनल बाधाओं को दूर किया जा सके और पूर्ण मॉडल रिट्रेनिंग की आवश्यकता के बिना जटिल मल्टी-स्टेप कार्यों पर सटीकता में उल्लेखनीय सुधार किया जा सके।
यह शोध पत्र फॉर्मेट सेंसिटिविटी इंडेक्स (FSI) और पारसेबिलिटी सेंसिटिविटी इंडेक्स (PSI) को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि प्रॉम्प्ट रैपर्स में मामूली स्वरूपण अंतर महत्वपूर्ण, मॉडल-निर्भर स्कोर भिन्नता और अनुपालन विफलता का कारण बनते हैं, और यह तर्क दिया जाता है कि इस भिन्नता को ध्यान में रखे बिना बेंचमार्किंग सटीकता सांख्यिकीय रूप से नाजुक है।
यह स्थिति पत्र (position paper) तर्क देता है कि मशीन लर्निंग में 'ग्राउंड ट्रुथ' डेटासेट वस्तुनिष्ठ तथ्य नहीं बल्कि मानव-निर्मित कृत्रिम संरचनाएं (artifacts) हैं, और "स्थित विश्वसनीयता" (situated reliability) के माध्यम से मॉडल की विश्वसनीयता, पारदर्शिता और जवाबदेही में सुधार करने के लिए उनकी आकस्मिक प्रकृति को स्वीकार करने की वकालत करता है।
यह शोध पत्र प्रदर्शित करता है कि संदेश प्रारूपों का मल्टी-हॉप एलएलएम एजेंट रिले पर प्रभाव टियर-निर्भर है, जो यह प्रकट करता है कि जहाँ मजबूत एजेंट विभिन्न प्रारूपों में लगभग हानि-रहित निष्ठा बनाए रखते हैं, वहीं कमजोर एजेंट प्रारूप-संचालित प्रदर्शन विचलन से जूझते हैं जहाँ कठोर संरचनाएं एन्कोडिंग लागत उत्पन्न करती हैं लेकिन फिक्स्ड-की जेसन (JSON) बेहतर ड्रिफ्ट प्रतिरोध प्रदान करता है, जो अंततः यह स्थापित करता है कि संरचना त्रुटि सुधार के बजाय त्रुटि-स्थानीयकरण निष्ठा प्रदान करती है।
AuditWeave एक हल्का, डिपेंडेंसी-मुक्त पायथन लाइब्रेरी है जो चरणों को एक एकल, हैश-चेन्ड, अपेंड-ओनली लेजर में रिकॉर्ड करके AI-सहायता प्राप्त और डेटा-रूपांतरण वर्कफ़्लो के लिए छेड़छाड़-प्रमाणित अखंडता सुनिश्चित करता है, जिससे ऑडिटर्स विशिष्ट निष्कर्षों को उनके अपरिवर्तित सहायक साक्ष्यों तक ट्रेस करने में सक्षम होते हैं।
यह शोध पत्र सांख्यिकीय सत्यापन के माध्यम से Turbo-Quant और SpectralQuant जैसे KV-कैश संपीड़न (compression) विधियों का व्यवस्थित रूप से मूल्यांकन करता है, जिससे यह पता चलता है कि जहाँ आइगनबेसिस-आधारित (eigenbasis-based) दृष्टिकोण कोवैरिएंस अस्थिरता के कारण हेवी-टेल्ड (heavy-tailed) डेटा के साथ संघर्ष करना पड़ता है, वहीं वे उन संरचित व्यवस्थाओं में अच्छा प्रदर्शन करते हैं जहाँ प्रभावी सिमेंटिक आयाम वास्तविक डेटा रैंक के बजाय कैलिब्रेशन बजट के अनुकूल होता है।
मैक्रोइकोनॉमिक फोरकास्टिंग (समष्टि आर्थिक पूर्वानुमान) पर यह नैदानिक अध्ययन प्रदर्शित करता है कि साइंटिफिक मशीन लर्निंग में स्ट्रक्चरल प्रायर्स (संरचनात्मक पूर्ववृत्त) "मिसरेगुलराइज़र" के रूप में कार्य कर सकते हैं और प्रदर्शन को खराब कर सकते हैं जब वे अंतर्निहित डेटा-जनरेटिंग प्रक्रिया से मेल खाने में विफल रहते हैं, जो यह सुझाव देता है कि जटिल, लो-फ्रीक्वेंसी डोमेन में कम-प्रतिबंधित मॉडल अक्सर अत्यधिक प्रतिबंधित मॉडलों की तुलना में बेहतर प्रदर्शन करते हैं।
यह शोध पत्र एक हाइब्रिड सर्च फ्रेमवर्क पेश करता है जो LABS सर्च स्पेस में कंप्यूटेशनल संसाधनों को अनुकूल रूप से आवंटित करने के लिए थॉम्पसन सैंपलिंग (Thompson sampling) को समानांतर सेल्फ-अवॉइडिंग वॉक्स (parallel self-avoiding walks) और GPU त्वरण (GPU acceleration) के साथ जोड़ता है, जो 35 अनुक्रम लंबाई (sequence lengths) के लिए सर्वोत्तम ज्ञात परिणामों में सफलतापूर्वक सुधार करता है और 8.0 से अधिक मेरिट फैक्टर वाले एक नए सबसे लंबे अनुक्रम की खोज करता है।
यह शोध पत्र यह प्रदर्शित करता है कि कोड संपादित करने वाले कोडिंग एजेंटों के लिए, आवश्यक संदर्भ सख्ती से केवल संशोधित किए जा रहे विशिष्ट फ़ाइलों तक ही सीमित है, क्योंकि प्राकृतिक भाषा के सारांश और आस-पास की फ़ाइल सामग्री, स्रोत कोड की तुलना में समस्या समाधान में नगण्य योगदान देती है, जबकि यह गैर-नियत API अनुमान (non-deterministic API inference) के कारण बेंचमार्क परिणामों में एक महत्वपूर्ण शोर स्तर (noise floor) को भी प्रकट करता है।
यह शोध पत्र एक संदर्भ-आधारित डिस्टिलेशन डिटेक्शन (distillation detection) पद्धति प्रस्तुत करता है जो हिडन पाइपलाइनों वाले जटिल वास्तविक परिदृश्यों में भी, छात्र मॉडलों के आउटपुट की तुलना उनके पूर्ववर्ती वंश चेकपॉइंट्स (lineage checkpoints) से करके, मेंबरशिप इन्फरेंस (membership inference) और प्रॉक्सी प्रॉम्प्ट इन्फरेंस (proxy prompt inference) का लाभ उठाकर, शिक्षक मॉडलों की सटीक पहचान करने और एलएलएम (LLMs) में डिस्टिलेशन का पता लगाने के लिए उपयोग किया जाता है।