NVIDIA ने Nemotron 3 Embed जारी किया है, जो उत्पादन-स्तर के RAG, एजेंटिक रीट्रीवल, कोड रीट्रीवल और एजेंट मेमोरी के लिए रीट्रीवल गुणवत्ता को बेहतर बनाने के लिए डिज़ाइन किए गए खुले और वाणिज्यिक रूप से उपलब्ध एम्बेडिंग मॉडल का एक संग्रह है। इस संग्रह में 8B का एक मॉडल शामिल है जो RTEB लीडरबोर्ड पर समग्र रूप से #1 स्थान पर है, इसके अलावा डेप्लॉयमेंट के लिए अनुकूलित कुशल 1B वेरिएंट भी हैं।
VITA नामक एक विशेष रूप से बनाया गया रीट्रीवल-अगमेंटेड जनरेशन सिस्टम, जो कम और मध्यम आय वाले क्षेत्रों के लिए डिज़ाइन किया गया था, का HealthBench बेंचमार्क पर सामान्य उद्देश्य वाले बड़े भाषा मॉडल्स के साथ मूल्यांकन किया गया। अध्ययन दिखाता है कि कॉर्पस-विशिष्ट डिज़ाइन नए फ्रंटियर मॉडल्स जारी होने के बावजूद प्रतिस्पर्धी प्रदर्शन बनाए रख सकता है।
VITA, एक पुनर्प्राप्ति-संवर्धित जनरेशन सिस्टम जो कम और मध्यम आय वाले संदर्भों के लिए डिज़ाइन किया गया है, HealthBench के अंग्रेजी भाषा उपसमुच्चय पर पहले स्थान पर है, GPT-5.4, o4-mini, Gemini 3.1 Pro, और Claude Sonnet 4.6 को पीछे छोड़ते हुए।
कम और मध्यम आय वाले सेटिंग्स के लिए डिज़ाइन किया गया एक उद्देश्य-निर्मित पुनर्प्राप्ति-वर्धित जनरेशन (RAG) सिस्टम जिसका नाम VITA है, को HealthBench बेंचमार्क पर सामान्य-उद्देश्य वाले बड़े भाषा मॉडल्स के खिलाफ आंकलन किया गया। GPT-4.1 जज द्वारा स्कोर किए गए 4,023 प्रश्नों पर, VITA ने संभावित रूब्रिक अंकों में से 51.9% के साथ पहले स्थान पर रहे, जिसमें GPT-5.4, o4-mini, Gemini 3.1 Pro और Claude Sonnet 4.6 को पीछे छोड़ दिया।
अलेथियनएजी के फेलिपे माया मुनिज़ ने एएसएम-सीएम (अलेथियन कॉम्पैक्ट मेमोरी मॉडल) का परिचय दिया, जो एक प्रायोगिक आर्किटेक्चर है जो एजेंट के इतिहास को बढ़ते सक्रिय कंप्यूटेशनल मेमोरी के बिना बढ़ने की अनुमति देने के लिए मेमोरी को भाषा से अलग करता है।
लेखक ने ओपन-सोर्स इंटेलिजेंस (OSINT) के लिए एक ओपन-सोर्स सिस्टम IntelShed प्रस्तुत किया है, जो स्वचालित 24-घंटे की सुरक्षा ब्रीफिंग तैयार करने के लिए 50 सार्वजनिक डेटा फ़ीड को एकीकृत करता है। आर्किटेक्चर हाइब्रिड रिट्रीवल, GNN-आधारित एंटिटी रिज़ॉल्यूशन, डिफरेंशियल प्राइवेसी के साथ फेडेरेटेड लर्निंग और LLM-कंपाइल्ड मल्टी-एजेंट ऑर्केस्ट्रेशन को एकीकृत करता है।
TIS 2.0 अपडेट एक पृष्ठ पुनः क्रमिकरण क्षमता प्रस्तुत करता है जो अतिरिक्त प्रशिक्षण की आवश्यकता के बिना प्राप्ति-संवर्धित उत्पादन में "बीच में खोया हुआ" स्थिति पूर्वाग्रह को समाप्त करता है। प्राप्त दस्तावेजों को पुनः क्रमित करने के लिए सीखे गए टोकन महत्व स्कोर लागू करके, सिस्टम शून्य स्थिति अंतर प्राप्त करता है और आधार रेखाओं की तुलना में सटीक मिलान सटीकता को 5 प्रतिशत बिंदु से बढ़ाता है।
एक नया प्रस्ताव एक LLM मेमोरी संरचना को रेखांकित करता है जो लेट चंकिंग को ध्यान-वजनित किनारों के साथ जोड़ता है ताकि चरण-दर-चरण ट्रावर्सल सक्षम हो। सिस्टम Jina AI के एम्बेडिंग मॉडल का लाभ उठाता है, जो वाक्यों के बीच ध्यान की गणना करता है, दस्तावेज़ के आंतरिक प्रसंस्करण से किनारे के वजन निकालने के लिए।
लेखक ने DESi Review जारी किया है, जो एक व्यावहारिक अनुप्रयोग है मॉडल-स्वतंत्र DESi ज्ञानवादी शासन ढांचे का, जिसे एक स्थापनीय Claude कौशल के रूप में पैकेज किया गया है। यह उपकरण निर्धारक दावा निष्कर्षण को मॉडल-आधारित निर्णय से अलग करके अंग्रेजी पाठ पर एक संरचित पत्र-समीक्षा पाइपलाइन चलाता है।
एक Hugging Face फोरम उपयोगकर्ता जांच रहा है कि क्या 7B–14B पैरामीटर रेंज में छोटे, डोमेन-विशिष्ट बड़े भाषा मॉडल (LLMs) वास्तविक दुनिया के उत्पादन वातावरण में बड़े मॉडलों का प्रभावी रूप से स्थान ले सकते हैं।
ELIZA चैटबॉट का एक नया कार्यान्वयन संवादन प्रविष्टियों को एक लीन मेमोरी परत में संग्रहीत करने के लिए स्पार्स ऑटोएन्कोडर आर्किटेक्चर का उपयोग करता है, जो पारंपरिक कीवर्ड-मैचिंग विधियों में सुधार करने का प्रयास करता है। सिस्टम 32,768-न्यूरॉन मेमोरी परत के साथ एक T5 एन्कोडर-डीकोडर संरचना का उपयोग करता है, जहाँ समान प्रविष्टियाँ कंट्रास्टिव लर्निंग के माध्यम से सक्रिय होती हैं।
PaddlePaddle ने HPD-Parsing का परिचय दिया, एक हल्का 1-अरब पैरामीटर दस्तावेज़ पार्सिंग मॉडल जो थ्रूपुट में सुधार के लिए हियरार्किकल पैरेलल डिकोडिंग पैराडाइम का उपयोग करता है। आर्किटेक्चर मुख्य लेआउट ब्रांच के माध्यम से वैश्विक पेज संरचना को समन्वयित करता है, जबकि स्थानीयकृत सामग्री उत्पादन को समानांतर ब्रांचों में भेजता है, डिकोडिंग चरणों को कम करने के लिए प्रोग्रेसिव मल्टी-टोकन प्रिडिक्शन का उपयोग करते हुए।
लेखक ने भाषा मॉडल के प्रमाण संतृप्ति बिंदु (k*) को मापने के लिए Hugging Face पर एक पायलट पेपर और एक खुली रजिस्ट्री प्रकाशित की है। यह मेट्रिक प्रॉम्प्ट्स में इंजेक्ट करने के लिए प्रमाण खंडों की इष्टतम संख्या निर्धारित करता है, क्योंकि अधिक संदर्भ जोड़ने से सटीकता एकवचन रूप से नहीं बढ़ती और लागत या ज्ञानात्मक दूषित होना बढ़ सकता है।
एक नई मेमोरी आर्किटेक्चर "अमूर्तिकरण स्कोर" द्वारा सदिश डेटाबेस प्रविष्टियों को संगठित करने के लिए हाइपरबोलिक एम्बेडिंग का उपयोग करती है, जिससे एजेंट चपटा RAG सिस्टम की तुलना में ज्ञान को अधिक प्रभावी ढंग से प्रबंधित कर सकते हैं। यह दृष्टिकोण डेटा को इस प्रकार संरचित करता है कि प्राथमिकताओं जैसे अमूर्त प्रविष्टियाँ केंद्र के पास रहती हैं जबकि ठोस घटनाएँ सीमा पर स्थित होती हैं, जिससे बेहतर क्लस्टरिंग और पुनर्प्राप्ति सुगम होती है।
K7007 ने ShinBay-UCTF प्रस्तुत किया, जो बहुभाषी अतिरेक, स्थायी घटनात्मक स्मृति और निरंतर अनुकूलन के संबंध में AI प्रणालियों की सीमाओं को दूर करने वाला एक अवधारणात्मक ढांचा है। इस प्रस्ताव में तीन परस्पर क्रियाशील परतों से मिलकर बनी एक एकीकृत वास्तुकला का विवरण दिया गया है: Universal Compressed Training Format (UCTF), जैविक प्रेरित घटनात्मक स्मृति, और पर्यावरण-संचालित निरंतर शिक्षण।
लेख का सामग्री लेखक द्वारा हटा दी गई है। पृष्ठ संकेत देता है कि मूल चर्चा में एक पोस्ट थी और इसमें दो भागीदार शामिल थे।