एक उपयोगकर्ता DGX Spark का उपयोग prefilling के लिए और Strix Halo बॉक्स का उपयोग token जनरेशन के लिए करके एक disaggregated inference pipeline का प्रदर्शन करता है, लंबे-संदर्भ कार्यभारों के लिए महत्वपूर्ण गति वृद्धि हासिल करता है। DGX पर कंप्यूटेशनली इंटेंसिव prompt प्रोसेसिंग को offload करके और decoding के लिए Strix की मेमोरी बैंडविड्थ का लाभ उठाकर, सेटअप Strix पर अकेले चलते समय देखी गई प्रदर्शन ह्रास को दूर करता है।
यह अध्ययन इस बात का मूल्यांकन करता है कि चार अग्रणी बड़े भाषा मॉडल (GPT, Claude Opus, Gemini और GLM) छोटे Linux/bash कमांड उत्तरों को ग्रेड करते समय विशेषज्ञ निर्णय के समान हो सकते हैं। शोध दिखाता है कि संरचित प्रॉम्प्ट मानव ग्रेडर्स के साथ सहमति को काफी बढ़ाते हैं, कंप्यूटिंग शिक्षा में AI-सहायता वाले मूल्यांकन के लिए एक ढांचा स्थापित करते हैं।
लेख EvoPolicyGym को पेश करता है, एक बेंचमार्क जिसे डिज़ाइन किया गया है ताकि यह मूल्यांकन किया जा सके कि एजेंट्स निश्चित इंटरैक्शन बजट के भीतर फीडबैक के माध्यम से एक्जीक्यूटेबल पॉलिसी को कैसे पुनरावृत्त रूप से सुधारते हैं। यह नियंत्रित सेटिंग मौजूदा मूल्यांकनों की सीमाओं को दूर करती है जो अक्सर प्रक्रिया को अंतिम स्कोर में बदल देते हैं या इसे सॉफ्टवेयर इंजीनियरिंग प्रगति के साथ भ्रमित करते हैं।
यह पेपर तर्क देता है कि सांस्कृतिक घटनाओं को मात्रात्मक रूप देने के लिए NLP का उपयोग करना एक भौतिक-व्याकरणिक अभ्यास है जहाँ उपकरण सक्रिय रूप से उस वास्तविकता का गठन करता है जिसे यह मापता है, न कि इसे निष्क्रिय रूप से रिकॉर्ड करता है।
यह अध्ययन जांचता है कि वर्तमान भाषा मॉडल स्केलिंग पैराडाइम क्या राय मॉडलिंग, व्यवहारिक सिमुलेशन और दीर्घकालिक पूर्वानुमान में सामाजिक सिमुलेशन के विश्वसनीयता अंतर को बंद कर सकते हैं। $10^{18}$ से $10^{20}$ FLOPs तक स्थिर-कंप्यूट बजट के तहत DCLM कॉर्पस पर प्रशिक्षित 85 Qwen3 ट्रान्सफॉर्मर मॉडल का उपयोग करते हुए, लेखक कंप्यूट स्केल और सिमुलेशन सटीकता के बीच संबंध का विश्लेषण करते हैं।
लेखकों ने TestEvo-Bench पेश किया है, जो एक लाइव बेंचमार्क है जिसे कोड और टेस्ट की सह-विकास को कैसे संभालते हैं, इसका मूल्यांकन करने के लिए डिज़ाइन किया गया है। यह वास्तविक commit इतिहास और environment कॉन्फ़िगरेशन से जुड़े एक्जीक्यूटेबल टास्क प्रदान करके मौजूदा बेंचमार्क की सीमाओं को दूर करता है।
यह अध्ययन LibriVox डेटा का विश्लेषण करके यह जांचता है कि वोकल और एकोस्टिक फीचर्स ऑडियोबुक आकर्षण को कैसे प्रभावित करते हैं। यह शीर्षक प्रभावों को ध्यान में रखने के बाद भी नैरेशन गुणवत्ता और उपभोग मेट्रिक्स के बीच एक मजबूत संबंध स्थापित करता है।
लेखकों ने VRRL प्रस्तावित किया है, एक रिइनफोर्समेंट लर्निंग फ्रेमवर्क जो विज़न-लैंग्वेज मॉडल्स को चैन-ऑफ़-थॉट तर्क के दौरान दृश्य रूप से आधारित आत्म-प्रतिबिंब करने में सक्षम बनाने के लिए डिज़ाइन किया गया है।
लेखकों ने CLIP-आधारित विज़ुअल एन्कोडर्स में टाइपोग्राफिक हमलों को कम करने के लिए एक प्रशिक्षण-मुक्त विधि का प्रस्ताव किया है, जहां अनावश्यक पाठ दृश्य निरूपणों को शब्दार्थी अर्थ की ओर झुका देता है। सैंपलिंग-आधारित व्याख्याओं और सर्किट खनन का उपयोग करके, दृष्टिकोण विशिष्ट विज़न ट्रांसफॉर्मर घटकों को अलग करता है जो इस अवांछित शब्दार्थी जानकारी को एन्कोड करने के लिए जिम्मेदार हैं।
शोधकर्ताओं ने DramaSR-532K पेश किया, जो 900 से अधिक पात्रों के लिए 532K अंकित संवाद पंक्तियों वाला एक बड़े पैमाने पर बेंचमार्क है, और लंबे टेलीविजन नाटकों में वक्ता पहचान को बढ़ाने के लिए DramaSR-LRM का प्रस्ताव दिया।
यह अध्ययन जांचता है कि सामाजिक संरचना LLM एजेंटों के सार्वजनिक अभिव्यक्तियों को कैसे प्रभावित करती है, जो एक द्वि-चैनल बहस ढांचे के भीतर उनके सार्वजनिक उच्चारणों की तुलना ऑफ-द-रिकॉर्ड (OTR) प्रतिक्रियाओं से करता है। शोध दिखाता है कि एलाइनमेंट को प्रेरित करने वाले सेटिंग्स इन चैनलों के बीच व्यवस्थित विचलन का कारण बनते हैं, जहाँ निर्णय विचलन 10 मॉडलों और कई परिदृश्यों में ~3% की आधार रेखा से बढ़कर लगभग 40% हो जाता है।
लेख में डिप्लॉयमेंट के दौरान बड़े भाषा मॉडलों में असुरक्षित आउटपुट की स्थिरता को संबोधित किया गया है और एक रियल-टाइम मॉनिटरिंग समाधान प्रस्तावित किया गया है। यह एक सरल मॉनिटर पेश करता है जो बाहरी मॉडल से वेरिफायर सिग्नल को थ्रेशोल्डिंग द्वारा अलार्म निर्णयों में परिवर्तित करता है, जिसमें थ्रेशोल्ड जोखिम नियंत्रण के माध्यम से कैलिब्रेटेड होते हैं।
लेख Program-as-Weights (PAW) पेश करता है, एक पैराडाइम जो प्राकृतिक भाषा स्पेसिफिकेशन को कंपैक्ट, लोकली-एग्जीकुटेबल न्यूरल आर्टिफैक्ट्स में कंपाइल करता है ताकि बड़े लैंग्वेज मॉडल APIs को बदला जा सके। यह दृष्टिकोण फाउंडेशन मॉडल्स को इनपुट-प्रति समस्या समाधानकर्ता के बजाय टूल बिल्डर मानकर स्थानीयता, पुनरुत्पादकता और लागत में सुधार का लक्ष्य रखता है।
शोधकर्ताओं ने LACUNA पेश किया, जो पहला अनलर्निंग टेस्टबेड है जिसमें ग्राउंड-ट्रुथ पैरामीटर-लेवल लोकलाइज़ेशन शामिल है ताकि यह मूल्यांकन करने की खाई को पूरा किया जा सके कि क्या अनलर्निंग वास्तव में मॉडल पैरामीटर से ज्ञान मिटा रहा है। टेस्टबेड सिंथेटिक व्यक्तियों के PII को 1B और 7B OLMo-आधारित मॉडलों के पूर्व-परिभाषित पैरामीटर में मास्क्ड निरंतर प्रीट्रेनिंग के माध्यम से इंजेक्ट करता है।
जेफ्री लिट का तर्क है कि डेवलपर्स को कोगनिटिव ऋण से बचने और रचनात्मक प्रक्रिया में सक्रिय भागीदार बने रहने के लिए कोडिंग एजेंट्स द्वारा उत्पन्न कोड को गहराई से समझना चाहिए।
ओपन सोर्स फ्रेमवर्क OpenLumara अब उस किसी भी यूजर इंटरफ़ेस से कनेक्शन का समर्थन करता है जो एक OpenAI एंडपॉइंट के साथ संवाद कर सकता है, जैसे कि KoboldLite और OpenWebUI। यह अपडेट उपयोगकर्ताओं को अपने पसंदीदा फ्रंटएंड को बदले बिना टोकन-कुशल हैंरेस को अपने मौजूदा वर्कफ़्लो में एकीकृत करने की अनुमति देता है।
एक उपयोगकर्ता स्थानीय भाषा मॉडलों के लिए सिफारिशें खोज रहा है जो पूरे शहर की व्यवस्था, सड़क नेटवर्क और जटिल ग्रिड प्रणालियों जैसे बड़े पैमाने पर संरचनात्मक डेटा उत्पन्न करने में सक्षम हों।
साइमन विलिसन ने llm-coding-agent 0.1a0 जारी किया, जो एक सरल कोडिंग एजेंट बनाने के लिए उसके LLM लाइब्रेरी को एजेंट फ्रेमवर्क के रूप में उपयोग करने का एक प्रारंभिक प्रयोग है। परियोजना को क्लॉड कोड से स्पेसिफिकेशन लिखने और लाल/हरा TDD का उपयोग करके टूल लागू करने के लिए प्रॉम्प्ट करके जनरेट किया गया था।
llama.cpp के लिए एक सामुदायिक पल रिक्वेस्ट (pull request) Intel ARC उपयोगकर्ताओं के लिए प्रॉम्प्ट प्रोसेसिंग गति को काफी बढ़ाता है, विशेष रूप से B580 जैसे हार्डवेयर को लाभ होता है। योगदानकर्ता ने संदर्भ हैंडलिंग को तेज करने के लिए Claude की सहायता से कोड को अनुकूलित किया।
एक नई Arxiv पेपर में एक ऐसे स्व-प्रतिकृति AI वर्म के निर्माण का विवरण दिया गया है जो पूरी तरह से स्थानीय, ओपन-वेट मॉडल का उपयोग करके कार्य करता है। यह विकास बाह्य निर्भरताओं के बिना स्वतंत्र AI एजेंट्स के संचालन की संभावता को उजागर करता है।