353 বস্তু
1709টি ক্লিনিক্যাল নির্দেশিকার পরিবর্তন নিয়ে ChronoEvo-এর গবেষণায় দেখা গেছে: মূল মডেলে 90,8% উত্তর নতুনত্বটি শনাক্ত করেছিল, তবে মাত্র 58,5% তা সম্পূর্ণভাবে প্রয়োগ করেছিল; 32,3 শতাংশ পয়েন্টের এই ব্যবধান 14টি মডেলেই বজায় ছিল। আপডেটগুলোর দৃশ্যমানতা বাড়িয়েও নতুন নিয়মগুলো ক্লিনিক্যাল নির্দেশিকায় সম্পূর্ণভাবে অন্তর্ভুক্ত করার ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়নি।
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।
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।
arXiv:2610.32890 গবেষণাপত্রে গোলীয় এম্বেডিংয়ের বদলে সম্ভাব্যতামূলক সিমপ্লেক্স ব্যবহারের প্রস্তাব করা হয়েছে, সঙ্গে যুক্ত করা হয়েছে হালকা softmax অ্যাডাপ্টার এবং Total Variation সাদৃশ্য। পাঁচটি অনুসন্ধান বেঞ্চমার্কে, অনুসন্ধানের মান বজায় রেখে বা বাড়িয়ে, বিভিন্ন মডালিটির মধ্যে সেন্ট্রয়েডের ℓ2 দূরত্ব 97–99% কমেছে।
একটি গ্রাফ মেমরি আর্কিটেকচার প্রস্তাব করা হয়েছে, যা ইনডেক্সিংয়ের সময় সত্তাগুলোর মধ্যে সতর্কভাবে সামঞ্জস্য স্থাপন করে এবং প্রশ্নের সময় স্থানীয় কাঠামোর ভিত্তিতে সম্পর্কগুলো নতুন করে মূল্যায়ন করে। MemoryAgentBench-এ পদ্ধতিটি গড়ে ৫৫.১ নির্ভুলতা দেখিয়েছে এবং সংশ্লেষণের খরচ প্রতি প্রশ্নে খুবই কম রেখে সবচেয়ে শক্তিশালী তথ্য-উদ্ধারভিত্তিক বেসলাইনের তুলনায় ৫.৪ শতাংশ পয়েন্ট উন্নতি করেছে।
এই নিবন্ধে Steward-এর বর্ণনা দেওয়া হয়েছে—নয়টি ভূমিকা-নির্দিষ্ট LLM এজেন্টের একটি ব্যবস্থা, যেখানে পোর্টফোলিও-সংক্রান্ত সিদ্ধান্তগুলো ঝুঁকি ব্যবস্থাপকের যাচাইয়ের মধ্য দিয়ে যায়, আর প্রম্পটে পরিবর্তন আনা যায় কেবল প্রত্যাবর্তনযোগ্য নিয়ন্ত্রণ এবং সংরক্ষিত ডেটা পুনরুৎপাদনের মাধ্যমে। মূল সিদ্ধান্ত হলো—অপরিবর্তনীয় কোর এবং অডিট পদ্ধতি এজেন্টদের উন্নত করতে সাহায্য করে, ঝুঁকি-নিয়ম ও অর্ডার কার্যকর করার নিয়ন্ত্রণ তাদের হাতে না দিয়েই।
TeachBack পদ্ধতিটি প্রস্তাব করা হয়েছে, যা স্ব-ডিস্টিলেশনের সময় নিজস্ব পলিসির ভিত্তিতে শিক্ষককে কোনো বিশেষ সুবিধাপ্রাপ্ত আদর্শ সমাধানের ওপর নির্ভর না করে, সমস্যাটি পুনরায় সমাধানের কৌশল গড়ে তুলতে সাহায্য করে। গণিত ও যৌক্তিক অনুমানের কাজগুলোতে, পরিচিত OPSD পদ্ধতিগুলোর তুলনায় শিক্ষার্থীর গুণমানের ধারাবাহিক উন্নতি দেখানো হয়েছে।
এই কাজে GoldiMask উপস্থাপন করা হয়েছে—ডিসক্রিট ডিফিউশনযুক্ত ভাষা মডেলের জন্য সুপারভাইজড ফাইন-টিউনিংয়ের একটি পদ্ধতি, যা সাবমডুলার ফাংশনের আনুমানিক সর্বাধিকীকরণের মাধ্যমে দৃশ্যমান টোকেন নির্বাচন করে এবং অবশিষ্ট লক্ষ্যগুলোর প্রশিক্ষণ-উপযোগিতা অনুযায়ী তাদের ওজন নির্ধারণ করে। একাধিক মডেল ও ডেটাসেটে পরীক্ষায় গড় নির্ভুলতা বৃদ্ধি, যুক্তি ও প্রোগ্রামিংয়ের কাজে উন্নতি এবং কাছাকাছি মান বজায় রেখে GSM8K ও MATH-500-এ সমান্তরাল ডিকোডিংয়ের পুনরাবৃত্তি কমার প্রমাণ পাওয়া গেছে।
