476 सामग्री
1709 नैदानिक दिशानिर्देशों में हुए बदलावों पर ChronoEvo के अध्ययन से पता चलता है: मुख्य मॉडल में 90,8% उत्तरों ने नए बदलाव को दर्ज किया, लेकिन केवल 58,5% ने उसे पूरी तरह लागू किया; 32,3 प्रतिशत अंकों का यह अंतर 14 मॉडलों में बना रहा। अपडेट को अधिक प्रमुखता देने से भी नए नियमों को नैदानिक दिशानिर्देश में पूरी तरह शामिल करने में कोई महत्वपूर्ण बढ़ोतरी नहीं हुई।
PAWM प्रस्तावित किया गया है—एक बाहरी प्रेडिक्टर, जो चरण-दर-चरण अवलोकन को दोहराता नहीं, बल्कि संभावित विफलता के समय सक्रिय होकर एजेंट को गलत कार्रवाई से दूर ले जाता है। सिंथेटिक परिदृश्यों पर SFT और GRPO के साथ सह-प्रशिक्षण के बाद, इस विधि ने Claude Sonnet 4.5 के लिए ScienceWorld में 24,3% और WebArena-Lite में 7,7% का सुधार दिया।
यह लेख MIMIC-III पर FLAME के निश्चित स्कोर के साथ, mixed-integer linear programming के ज़रिए लागू किए गए संगत दवाओं के सेट के सटीक वैश्विक चयन की तुलना DDI टकरावों को स्थानीय स्तर पर दूर करने की कई योजनाओं से करता है। परीक्षण नमूने पर वैश्विक विकल्प Jaccard के आधार पर थोड़ा, लेकिन लगातार बेहतर प्रदर्शन करता है; प्रतिबंध कड़े होने पर यह बढ़त और अधिक हो जाती है और सबसे मज़बूत स्थानीय आधारभूत विधि की तुलना में +0.0064 तक पहुँच जाती है।
arXiv:2610.32890 में गोलाकार एम्बेडिंग्स की जगह प्रायिकता सिम्प्लेक्स का उपयोग करने का प्रस्ताव है, जिसमें हल्के softmax अडैप्टर और Total Variation समानता जोड़ी गई है। खोज के पाँच बेंचमार्क पर, खोज की गुणवत्ता बनाए रखते हुए या बढ़ाते हुए, मोडैलिटी के बीच सेंट्रॉइड ℓ2 दूरी 97–99% तक घट जाती है।
एक ग्राफ़ मेमोरी आर्किटेक्चर प्रस्तावित किया गया है, जो इंडेक्सिंग के दौरान इकाइयों का सावधानीपूर्वक मिलान करता है और क्वेरी मिलने पर स्थानीय संरचना के आधार पर संबंधों का फिर से आकलन करता है। MemoryAgentBench पर इस विधि ने 55.1 की औसत सटीकता हासिल की और सबसे मज़बूत रिट्रीवल बेसलाइन से 5.4 प्रतिशत अंक बेहतर प्रदर्शन किया।
उपकरण निर्माताओं, पूलों और ऑपरेटरों ने उपकरणों की निगरानी और प्रबंधन को एकीकृत करने के लिए Tether के ओपन स्टैक के साथ इंटीग्रेशन विकसित करने की जिम्मेदारी ली है; AI एजेंट QVAC पहले से ही इसी आधार पर काम कर रहा है। बिजली की लागत में कमी या दक्षता में वृद्धि की स्वतंत्र पुष्टि अभी तक प्रकाशित नहीं हुई है।
लेख Steward का वर्णन करता है—नौ भूमिका-आधारित LLM एजेंटों की एक प्रणाली, जिसमें पोर्टफ़ोलियो संबंधी निर्णयों की जोखिम प्रबंधक द्वारा जाँच की जाती है और प्रॉम्प्ट में बदलाव की अनुमति केवल प्रतिवर्ती नियंत्रण और रिकॉर्ड किए गए डेटा को फिर से चलाने के माध्यम से दी जाती है। मुख्य निष्कर्ष यह है कि अपरिवर्तनीय कोर और ऑडिट प्रक्रियाएँ एजेंटों को जोखिम नियमों और ऑर्डर निष्पादन पर नियंत्रण दिए बिना उन्हें विकसित करने की अनुमति देती हैं।
TeachBack विधि प्रस्तावित की गई है, जो अपनी ही पॉलिसी पर स्व-डिस्टिलेशन के दौरान शिक्षक में विशेषाधिकार प्राप्त संदर्भ समाधान पर निर्भर रहने के बजाय समस्या को फिर से हल करने की रणनीति विकसित करती है। गणितीय और तार्किक तर्क के कार्यों पर, OPSD की ज्ञात योजनाओं की तुलना में विद्यार्थी की गुणवत्ता में लगातार सुधार दिखाया गया।
इस कार्य में GoldiMask प्रस्तुत किया गया है—डिस्क्रीट डिफ्यूज़न वाले भाषा मॉडलों के लिए supervised fine-tuning का एक तरीका, जो सबमॉड्यूलर फ़ंक्शन के लगभग अधिकतमीकरण के ज़रिए दिखाई देने वाले टोकन चुनता है और शेष लक्ष्यों को उनकी प्रशिक्षण उपयोगिता के अनुसार वज़न देता है। कई मॉडलों और डेटासेट पर किए गए प्रयोग औसत सटीकता में वृद्धि, तर्क और प्रोग्रामिंग कार्यों में बेहतर प्रदर्शन, और लगभग समान गुणवत्ता के साथ GSM8K तथा MATH-500 पर समानांतर डिकोडिंग के कम पुनरावृत्ति चरण दर्शाते हैं।
