Felipe Maya Muniz dari AletheionAGI memperkenalkan ASM-CM (Aletheion Compact Memory Model), sebuah arsitektur eksperimental yang memisahkan memori dari bahasa agar riwayat agen dapat berkembang tanpa meningkatkan memori komputasi aktif.
Penulis menyajikan IntelShed, sebuah sistem sumber terbuka untuk intelijen sumber terbuka (OSINT) yang mengagregasi 50 umpan data publik untuk menghasilkan ringkasan keamanan otomatis selama 24 jam. Arsitektur ini mengintegrasikan pengambilan hibrida, resolusi entitas berbasis GNN, pembelajaran terdesentralisasi dengan privasi diferensial, dan orkestrasi agen-multi yang dikompilasi oleh LLM.
Pembaruan TIS 2.0 memperkenalkan kemampuan penyusunan ulang dokumen yang menghilangkan bias posisi "lost-in-the-middle" dalam generasi yang diperkaya pengambilan tanpa memerlukan pelatihan tambahan. Dengan menerapkan skor kepentingan token yang telah dipelajari untuk menyusun ulang dokumen yang diambil, sistem mencapai kesenjangan posisi nol dan meningkatkan akurasi kecocokan tepat sebesar 5 poin persentase dibandingkan dengan baseline.
Sebuah proposal baru menguraikan struktur memori LLM yang menggabungkan chunking terlambat dengan tepi berbobot perhatian untuk memungkinkan traversal langkah demi langkah. Sistem ini memanfaatkan model embedding dari Jina AI, yang menghitung perhatian antara kalimat, untuk menurunkan bobot tepi dari pemrosesan internal dokumen.
Penulis telah merilis DESi Review, sebuah aplikasi praktis dari kerangka kerja tata kelola epistemik DESi yang independen terhadap model, dikemas sebagai keterampilan Claude yang dapat diinstal. Alat ini menjalankan alur kerja ulasan paper terstruktur atas teks bahasa Inggris dengan memisahkan ekstraksi klaim deterministik dari adjudikasi berbasis model.
Seorang pengguna forum Hugging Face menyelidiki apakah model bahasa besar (LLM) kecil dan domain-spesifik dalam rentang 7B–14B parameter dapat secara efektif menggantikan model yang lebih besar di lingkungan produksi dunia nyata.
Implementasi baru dari chatbot ELIZA memanfaatkan arsitektur autoencoder jarang untuk menyimpan entri percakapan dalam lapisan memori laten, bertujuan meningkatkan metode pencocokan kata kunci tradisional. Sistem ini menggunakan struktur encoder-decoder T5 dengan lapisan memori 32.768 neuron, di mana entri serupa diaktifkan melalui pembelajaran kontrastif.
PaddlePaddle telah memperkenalkan HPD-Parsing, model parsing dokumen ringan dengan 1 miliar parameter yang memanfaatkan paradigma Hierarchical Parallel Decoding untuk meningkatkan throughput. Arsitektur ini mengoordinasikan struktur halaman global melalui cabang tata letak utama sambil mendistribusikan generasi konten terlokalisasi ke cabang-cabang konkuren, dengan memanfaatkan Progressive Multi-Token Prediction untuk mengurangi langkah dekoding.
Penulis telah menerbitkan makalah percontohan dan registri terbuka di Hugging Face untuk mengukur titik saturasi bukti (k*) model bahasa. Metrik ini menentukan jumlah fragmen bukti optimal yang disuntikkan ke dalam prompt, karena menambahkan lebih banyak konteks tidak secara monoton meningkatkan kebenaran dan dapat meningkatkan biaya atau kontaminasi epistemik.
Konten artikel telah dihapus oleh penulis. Halaman menunjukkan bahwa diskusi asli terdiri dari satu postingan dan melibatkan dua peserta.
Arsitektur memori baru menggunakan embedding hiperbolik untuk mengatur entri basis data vektor berdasarkan "skor abstraksi," memungkinkan agen mengelola pengetahuan lebih efektif daripada sistem RAG datar. Pendekatan ini menyusun data sehingga entri abstrak, seperti preferensi, berada di dekat pusat sementara peristiwa konkret berada di batas, memfasilitasi pengelompokan dan retrieval yang lebih baik.
K7007 menyajikan ShinBay-UCTF, sebuah kerangka konseptual yang mengatasi keterbatasan dalam sistem AI terkait redundansi multibahasa, memori episodik persisten, dan adaptasi berkelanjutan. Proposal ini menguraikan arsitektur terpadu yang terdiri dari tiga lapisan yang saling berinteraksi: Universal Compressed Training Format (UCTF), Memori Episodik Terinspirasi Biologis, dan Pembelajaran Berkelanjutan yang Didorong Lingkungan.
RAGU adalah mesin GraphRAG modular sumber terbuka yang meningkatkan integrasi pengetahuan terstruktur dengan memisahkan ekstraksi entitas dari konsolidasi. Mesin ini memanfaatkan proses ekstraksi bertipe dua tahap, deduplikasi berbasis DBSCAN, peringkasan LLM, dan deteksi komunitas Leiden untuk mengurangi kebisingan dan kerapuhan yang ditemukan pada sistem satu kali lewati.
NVIDIA telah merilis Nemotron 3 Embed, sebuah koleksi model embedding terbuka dan tersedia secara komersial yang dirancang untuk meningkatkan kualitas retrieval untuk RAG skala produksi, retrieval agentic, retrieval kode, dan memori agen. Koleksi ini menampilkan model 8B yang menduduki peringkat #1 secara keseluruhan di papan peringkat RTEB, bersama dengan varian 1B yang dioptimalkan untuk deployment.
Para penulis menyajikan RAGthoven, sebuah sistem untuk SemEval-2026 Task 1 yang menguraikan generasi teks kreatif ke dalam pipeline model bahasa besar multi-tahap yang berlandaskan teori humor komputasi. Konfigurasi akhir meningkatkan Perencana dengan generasi yang diperkaya pengambilan dari korpus lelucon kurasi dan mengevaluasi varian agentic terhadap baseline non-agentic.
Para penulis menyajikan Apaf, sebuah pipa LLM-simbolik hibrida yang mengoperasionalkan analisis wacana kritis sebagai kerangka argumentasi bipolar kuantitatif atas teks kebijakan. Argumen diklasifikasikan ke dalam bingkai deliberatif atau manajerial, dan empat subtipe hubungan yang dimediasi bingkai dihasilkan oleh aturan deterministik pada fitur yang diekstrak oleh LLM.
Makalah posisi ini berargumen untuk autoformalisasi tingkat teori, yang melibatkan formalisasi teori lengkap sebagai pustaka terstruktur daripada berfokus pada pernyataan individu.
Para penulis mengubah lima dataset teks-ke-SQL (Spider, BIRD, BEAVER, dan dua varian LiveSQLBench) menjadi tugas pengambilan tabel dan kolom untuk mengevaluasi pengaitan skema. Mereka mengusulkan penyetelan halus adaptif-korpus untuk embedder 305M-parameter, yang meningkatkan recall@10 rata-rata dari 60,4 menjadi 75,6.
Sebuah studi menggunakan FinTabNet dan OmniDocBench menunjukkan bahwa sinyal LLM-as-a-judge tidak cukup untuk mengoptimalkan regenerasi loop tertutup dalam pengenalan tabel. Penelitian mengungkapkan bahwa skor hakim sering kali seri, peringkat tidak dapat direproduksi, dan sistem gagal memulihkan kandidat yang lebih baik yang dihasilkan oleh iterasi.
Para peneliti mengimplementasikan pipeline anotasi neural untuk Irabu Ryukyuan guna mengotomatisasi pembuatan teks interlinear, mengatasi biaya tinggi dokumentasi manual. Studi ini mengevaluasi segmentasi morfem, penandaan POS, dan glossing menggunakan model BiLSTM-CRF kecil di bawah batasan ketat sekitar satu jam wacana yang dianotasi.