25 বস্তু
PAWM প্রস্তাব করা হয়েছে—একটি বাহ্যিক পূর্বাভাসদাতা, যা ধাপে ধাপে পর্যবেক্ষণের পুনরাবৃত্তি না করে সম্ভাব্য ব্যর্থতার সময় সক্রিয় হয় এবং এজেন্টকে ভুল পদক্ষেপ থেকে সরিয়ে দেয়। সিন্থেটিক পরিস্থিতিতে SFT এবং GRPO-সহ-প্রশিক্ষণের পর, Claude Sonnet 4.5-এর জন্য পদ্ধতিটি ScienceWorld-এ 24,3% এবং WebArena-Lite-এ 7,7% উন্নতি এনেছে।
এই গবেষণায় প্রাসঙ্গিক বিভ্রান্তির ধারণা তুলে ধরা হয়েছে: একটি বিষয়ক্ষেত্রে উপযুক্ত উদাহরণ দিয়ে ফাইন-টিউন করলে শেখা আচরণের ধরন অন্য ক্ষেত্রের অনুরোধেও প্রয়োগ হতে পারে এবং স্থানীয় অসামঞ্জস্য সৃষ্টি করতে পারে। লিঙ্গসমতা, গোপনীয়তা ও শারীরিক নিরাপত্তার উদাহরণে দেখানো হয়েছে যে সাধারণ অ্যালাইনমেন্ট ডেটা সমস্যাটি প্রায় সমাধানই করে না, আর লক্ষ্যভিত্তিক উদাহরণ বা ইনফারেন্সের সময় দেওয়া প্রাসঙ্গিক ইঙ্গিত এটি কমায়; আরেকটি উপসংহার হলো, প্রশিক্ষণের পর সামঞ্জস্যের সার্বিক যাচাই করা জরুরি।
পাঁচটি কাজের সেট এবং পাঁচটি গ্রহণকারী এজেন্ট নিয়ে করা পরীক্ষায়, ঊর্ধ্বতন অংশগ্রহণকারীর অবিশ্বস্ত বক্তব্য অধস্তন অংশগ্রহণকারীর সঠিক সিদ্ধান্তকে সর্বোচ্চ 32% পর্বে বদলে দিয়েছে; এমন ঘটনার 94% ক্ষেত্রে নির্দিষ্ট একটি ভুল উত্তর দিয়ে তা প্রতিস্থাপন করা হয়েছে। ফলাফল থেকে বোঝা যায়, বার্তা পাঠানোর সময় উৎসের নির্ভরযোগ্যতা এবং গ্রহণকারীর কাছে ইতিমধ্যে থাকা প্রমাণ মূল্যায়ন করা প্রয়োজন।
প্রিপ্রিন্টে এমন একটি পরিস্থিতির বর্ণনা দেওয়া হয়েছে, যেখানে লক্ষ্য অর্জনের পরও ভাষাগত এজেন্টটি খুব একটা কার্যকর নয় এমন পরিমার্জন ও যাচাই চালিয়ে যায়। এর কারণ হিসেবে দেখানো হয়েছে একটি স্ব-শক্তিবর্ধক চক্র, যেখানে তৈরি করা, অগ্রগতির মূল্যায়ন এবং কখন থামতে হবে—এই সিদ্ধান্তগুলো আলাদা করা হয়নি। অনিশ্চয়তা বিবেচনায় রেখে প্রস্তাবিত বৈশ্বিক নিয়ন্ত্রণের অতিরিক্ত স্তরটি সাফল্যের হার প্রায় ৯৬.৬% বজায় রাখে এবং একই সঙ্গে গড় টোকেন খরচ ৩৬.৪% কমায়, যদিও এখন পর্যন্ত এই সিদ্ধান্তগুলো যান্ত্রিক সিমুলেশনের ভিত্তিতে পাওয়া গেছে।
Apple ডেভেলপারদের জন্য 26B5091g বিল্ড প্রকাশ করেছে: এই সংস্করণে মূলত পরীক্ষা ও ত্রুটি সংশোধনের ওপর গুরুত্ব দেওয়া হয়েছে, আর কোম্পানি নতুন কোনো বড় ফিচারের ঘোষণা দেয়নি। সারসংক্ষেপে রয়েছে প্রথম বিটায় যোগ করা Siri AI-এর ভাষাসমূহ, Xcode, বিজ্ঞপ্তি ও Shortcuts-এর পরিচিত ত্রুটি, এবং প্রত্যাশিত রিলিজের সময়সীমা।
Suan অ্যালগরিদমের প্রস্তাবকারীরা প্রশিক্ষণের লক্ষ্যকে সরাসরি গ্রেডিয়েন্ট স্তরে নির্ধারণ করেন, প্রচলিত ভ্যারিয়েশনাল ইনফারেন্স এড়িয়ে গিয়ে, যা প্রশিক্ষণের আরও পূর্বানুমেয় ও ব্যাখ্যাযোগ্য গতিশীলতা দেয়। বেঞ্চমার্ক সেটে পরীক্ষার ফলাফল অনুযায়ী, এই পদ্ধতি ওপেন মডেলগুলোর বৈশিষ্ট্যপূর্ণ উত্তর-উপযোগিতা হ্রাস ছাড়াই শক্তিশালী সুরক্ষা নিশ্চিত করে।
পাঁচটি সুপরিচিত মডেল — GPT-4o থেকে Llama-3.1 পর্যন্ত — একই টেক্সট নিয়ে ভিন্ন রায় দেয়, যদি তা ইংরেজি অনুবাদে না হয়ে উর্দুতে লেখা থাকে: পার্থক্য এক-তৃতীয়াংশ ক্ষেত্র পর্যন্ত পৌঁছায়, এবং স্পষ্টভাবে বিদ্বেষমূলক কিছু কনটেন্ট চিহ্নিত না করেই থেকে যায়। WOAH-এর নয় বছরের প্রকাশনার বিশ্লেষণে দেখা গেছে, এই ভাষার জন্য সেখানে একটি আলাদা গবেষণাও নেই।
পার্কার ফসেটের rebuild-dossier টুলটি প্রথমে অ্যাপ্লিকেশনের প্রকৃত ইন্টারফেস নির্ধারণ করে — ঠিক কী ইনপুট হিসেবে দেওয়া হয় এবং আউটপুটে কী আসতে হবে — এবং তারপরই কোড লেখার অনুমতি দেয়, ধাপে ধাপে বিল্ড পরিচালনা করে। পরীক্ষায় একটি অপ্রীতিকর বিষয় উঠে এসেছে: যে এজেন্ট সততার সাথে নিয়ম মেনেছিল সে বিলম্বিত যাচাইয়ে ব্যর্থ হয়েছে, আর যে নিয়ম ভেঙেছে সে সবকিছু পাস করেছে — অর্থাৎ সফলভাবে পাস করা টেস্ট সেট সঠিকতা প্রমাণ করে না, যদি টেস্টগুলোই এড়িয়ে যাওয়া যায়।
arXiv-এর একটি নতুন প্রিপ্রিন্ট যাচাই করছে, চাল নির্বাচনের মুহূর্তে একটি ভাষা মডেলের আত্ম-মূল্যায়নের উপর ভরসা করা যায় কি না। লুকানো "রাজকীয়" মর্যাদাসম্পন্ন দাবাবোর্ডের একটি রূপভেদে ঘোষিত সম্ভাবনা ≥০.৫ কেবল ৬২টি প্রচেষ্টার মধ্যে একবারই গুটির প্রকৃত অবস্থানের সঙ্গে মিলেছিল, এবং ক্রমাঙ্কনের প্রায় পুরো ঘাটতিই এসেছিল ঠিক এই পর্বগুলোর উপর।
