75 বস্তু
IEMOCAP ও MELD ডেটাসেটে কমপ্যাক্ট SpeechLLM-এর লুকানো উপস্থাপনার ওপর জেনারেটিভ আবেগ-লেবেল পূর্বাভাস এবং লিনিয়ার ক্লাসিফায়ারের তুলনা করা হয়েছে। ক্লাসিফায়ার থেকে প্রাপ্ত মানের উন্নতি সর্বজনীন নয়: এটি কর্পাসের ওপর এবং রেফারেন্স ট্রান্সক্রিপ্ট নাকি ASR-এর ফলাফল ব্যবহার করা হচ্ছে, তার ওপর নির্ভর করে।
নিবন্ধটি MIMIC-III-তে FLAME-এর নির্দিষ্ট স্কোর ব্যবহার করে mixed-integer linear programming-এর মাধ্যমে বাস্তবায়িত সামঞ্জস্যপূর্ণ ওষুধের সেটের নির্ভুল বৈশ্বিক নির্বাচনকে DDI সংঘাত স্থানীয়ভাবে দূর করার কয়েকটি পদ্ধতির সঙ্গে তুলনা করেছে। পরীক্ষামূলক নমুনায় বৈশ্বিক পদ্ধতিটি Jaccard স্কোরে সামান্য হলেও ধারাবাহিক উন্নতি দেখায়, যা সীমাবদ্ধতা আরও কঠোর হলে বাড়ে এবং সবচেয়ে শক্তিশালী স্থানীয় বেসলাইন পদ্ধতির তুলনায় +0.0064-এ পৌঁছায়।
এই কাজে এমন একটি প্রোটোকল প্রস্তাব করা হয়েছে, যা কাঠামো উপস্থাপনের আটটি পদ্ধতিতে প্রশ্ন ও সঠিক উত্তর নথিভুক্ত করে এবং GraphSpace-এ সংযোগগুলোকে আলাদাভাবে চিহ্নিত করে। জোড়াভিত্তিক ফাইন-টিউনিং, লক্ষ্য ক্ষেত্র মাস্ক করা এবং প্রমাণ যোগ করার পরীক্ষা দেখায় যে মডেলটি সম্পর্কের প্রয়োগ এবং সংযোগ অনুসরণ—দুটিই শিখতে সক্ষম; তবে সংযোগ সরিয়ে দিলে নির্ভুলতা হিউরিস্টিক অনুসন্ধানের স্তরেরও নিচে নেমে যায়।
Apptopia-র অনুমান অনুযায়ী, iOS-এ প্রথম ১২ দিনে যুক্তরাষ্ট্র ও কানাডায় Muse ১.৮ মিলিয়ন বার ডাউনলোড হয়েছে, যেখানে ChatGPT-এর ডাউনলোড ছিল ১.৩ মিলিয়ন; যুক্তরাষ্ট্রে Muse-এর দৈনিক ব্যবহারকারীর সংখ্যাও বেশি ছিল। এই তুলনাটি বাইরের সূত্রের অনুমানের ওপর ভিত্তি করে এবং যুক্তরাষ্ট্র ও কানাডার আঞ্চলিক তথ্যকে প্রতিফলিত করে। পাশাপাশি, দুটি পণ্যের সূচনার পরিস্থিতিও ভিন্ন ছিল: ChatGPT শুরু থেকেই আন্তর্জাতিক বাজারে চালু হয়েছিল, আর Muse চালু হয়েছিল শুধু যুক্তরাষ্ট্র ও কানাডায়।
এই নিবন্ধে SPARSEUP-এর আর্কিটেকচার ও এর ফলাফল পর্যালোচনা করা হয়েছে: BEIR-13-এ 56,4 nDCG@10, এবং Seismic ইনডেক্সের সঙ্গে মিলিয়ে প্রতি কোয়েরিতে প্রায় 380 মাইক্রোসেকেন্ডে 97%-এর বেশি রিকল। এতে ভেক্টরের স্পার্সিটি বজায় রাখার কৌশল, অন্যান্য মডেলের সঙ্গে তুলনা এবং Apache 2.0-এর অধীনে বিতরণের শর্তাবলি আলোচনা করা হয়েছে।
নতুন মডেলটি ব্যাচ ও স্ট্রিমিং—উভয় মোডেই কথা শনাক্ত করে; SpaceXAI জানিয়েছে, ১৯টি ভাষায় ছোট বাক্যাংশের পরীক্ষায় ভুলের হার ২০,৬% থেকে কমে ৬,৮% হয়েছে। সারসংক্ষেপে রয়েছে API-এর মূল্যতালিকা এবং তুলনামূলক পরীক্ষার ফলাফল, যেগুলো এখনো স্বাধীনভাবে যাচাই করা হয়নি।
লেখকেরা সাধারণ স্মৃতির একটি সিস্টেম স্তরের প্রস্তাব দিয়েছেন: এজেন্টরা কাঠামোবদ্ধ তথ্য সংরক্ষণ করে, আর সিস্টেম সেগুলোর নির্বাচন, ডেটা সুরক্ষা এবং মডেলগুলোর কাছে হস্তান্তর নিয়ন্ত্রণ করে। AIOS-এ পরীক্ষায়, এই পদ্ধতি বাহ্যিক স্টোরেজ ও RAG-এর তুলনায় ব্যক্তিগতকরণ উন্নত করেছে, আর সম্পূর্ণ কনটেক্সট পাঠানোর তুলনায় তিনটি মডেলের মধ্যে দুটিতে তুলনীয় ফল বজায় রেখে লেটেন্সি ১৫–৬১% কমিয়েছে।
গবেষণাটিতে তৈরি জ্ঞান প্যাকেজ ব্যবহারের দুটি পদ্ধতির তুলনা করা হয়েছে: সেগুলোর নির্দেশনা এজেন্টের কাজের প্রেক্ষাপটে যুক্ত করা, অথবা উপকাজগুলো আলাদা এজেন্টদের দেওয়া। ইনপুট, ফলাফল ও প্রক্রিয়া স্পষ্টভাবে নির্ধারিত থাকলে দায়িত্ব অর্পণ বেশি কার্যকর, তবে এতে সমন্বয়ের অতিরিক্ত খরচ হয়।
এই নিবন্ধে XAI-Arena উপস্থাপন করা হয়েছে—এটি এমন একটি সিস্টেম, যা বিভিন্ন মডেল ও ব্যবহারকারীর স্বার্থ বিবেচনায় রেখে একাধিক মানদণ্ডে AI-এর ব্যাখ্যাগুলোর তুলনা করে। LLM-এর মূল্যায়ন মানুষের বিচার-বিবেচনার সঙ্গে উল্লেখযোগ্যভাবে মিলে যায় (স্পিয়ারম্যানের ρ = 0,693), যা ব্যাখ্যাগুলোর তুলনামূলক বিশ্লেষণ বৃহৎ পরিসরে করার সম্ভাবনার ইঙ্গিত দেয়।
