AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE: मेमोरी-सीमित नोड्स पर कुशल MoE प्रशिक्षण के लिए मांग-पक्ष भार पुनर्कैलिब्रेशन
LRMoE एक मेमोरी-जागरूक MoE प्रशिक्षण प्रणाली है जो बैकप्रोपेगेशन में मांग को संयुक्त रूप से पुनर्कैलिब्रेट करती है और बनाए रखे गए वर्कलोड को संतुलित करती है, तथा क्षमता-जागरूक रूटिंग और भौतिक संकुचन से बैकवर्ड ट्रैफ़िक, गणना और निष्पादन-बफ़र मांग घटाती है। पेपर रिपोर्ट करता है कि Qwen3-30B-A3B और GLM4.5-106B-A12B पर यह...
- पेपर रिपोर्ट करता है कि Qwen3-30B-A3B और GLM4.5-106B-A12B पर LRMoE, SYMI की तुलना में निश्चित-लॉस लक्ष्यों तक संचयी MoE-लेयर प्रशिक्षण समय को 21.2-44.8% घटाती है।
- फ़ॉरवर्ड निष्पादन के दौरान, यह सभी रूट किए गए गणनाओं को संरक्षित रखते हुए संसाधन बाधाओं के अंतर्गत प्रतिधारण कोटा और विशेषज्ञ प्लेसमेंट की योजना बनाती है।
- बैकप्रोपेगेशन के दौरान, एक लोड पुनर्कैलिब्रेशन मीट्रिक प्रत्येक टोकन-विशेषज्ञ जोड़ी के विशेषज्ञ अपडेट में योगदान का अनुमान लगाती है और इन कोटाओं के भीतर जोड़ियाँ चुनती है।
- एक क्षमता-जागरूक रूटिंग एल्गोरिदम बनाए रखी गई जोड़ियों को उनके मूल विशेषज्ञों के पात्र इंस्टेंस के बीच वितरित करता है, और भौतिक संकुचन छोटे संचार पेलोड तथा परिवर्तनीय-आकार के समूहित GEMM बनाता है।
मेमोरी-सीमित GPU नोड्स पर स्पार्स MoE प्रशिक्षित करने वाली टीमों के लिए, LRMoE दर्शाता है कि बैकप्रोपेगेशन में योगदान के आधार पर टोकन-विशेषज्ञ जोड़ियाँ चुनने से फ़ॉरवर्ड रूट किए गए गणनाओं को बदले बिना बैकवर्ड ट्रैफ़िक और बफ़र मांग घटाई जा स...
पार्टनर-आउटसाइडर पॉज़िटिव लिसनिंग के ज़रिए AI एजेंट्स के बीच छिपी मिलीभगत का पता लगाना
यह पेपर एक व्यवहारिक परीक्षण प्रस्तावित करता है, Partner-Outsider Positive Listening (PoPLi): गुप्त कोड इस्तेमाल करने वाला पार्टनर किसी संदेश के सटीक शब्दों पर प्रतिक्रिया देता है, जबकि उसकी जगह बैठाया गया असंबद्ध एजेंट ऐसा नहीं करता। PoPLi दोनों एजेंट्स के बीच इस अंतर को मापता है कि अर्थ बनाए रखते हुए संदेश बदलने पर उ...
- PoPLi निजी चैनल के उपयोग का पता लगाता है, मिलीभगत का नहीं, और यह केवल प्रोत्साहन से होने वाली मिलीभगत या अर्थ द्वारा ढोए गए कोड का पता नहीं लगा सकता।
- यह विधि लॉग किए गए प्रॉम्प्ट दोबारा चलाकर बाद में गणना की जाती है, और पेपर को चल रहे काम के रूप में चिह्नित किया गया है।
मल्टी-एजेंट सिस्टम बनाने वालों के लिए PoPLi लॉग-रीप्ले आधारित व्यवहारिक ऑडिट देता है जो भोले-भाले दिखने वाले संदेशों के पीछे छिपे निजी चैनल को उजागर कर सकता है, पर केवल प्रोत्साहन या अर्थ आधारित मिलीभगत इसके दायरे से बाहर रहती है।
WebAnything: जंगली वेब से स्केलेबल एजेंट वातावरण तक
WebAnything एक पूर्णतः स्वचालित फ्रेमवर्क है जो वास्तविक URL से स्रोत-आधारित, पुनः प्रयोग योग्य वेब वातावरण पुनर्निर्मित करता है, बिना प्रति-साइट मैनुअल कार्यान्वयन या प्रारंभिक सेटअप और प्राधिकरण के बाद मरम्मत के। पेपर 14 एप्लिकेशन डोमेन और 53 श्रेणियों में 244 वेबसाइट आर्टिफैक्ट बनाने और 12,984 निष्पादित एवं स्वीकृत ...
- पेपर 14 एप्लिकेशन डोमेन और 53 श्रेणियों में 244 वेबसाइट आर्टिफैक्ट बनाने और 12,984 निष्पादित एवं स्वीकृत कार्यों के समर्थन की रिपोर्ट करता है।
- मानव-सहायता प्राप्त WebHarbor की तुलना में, WebAnything तीन निष्ठा मेट्रिक्स पर उच्च समग्र स्कोर प्राप्त करता है, एक ब्लाइंड ऑडिट में 12 जीत, दो बराबरी और कोई हार नहीं।
एजेंट निर्माताओं के लिए, यह दर्शाता है कि प्रति-साइट इंजीनियरिंग के बिना वास्तविक URL से रीसेट करने योग्य वेब प्रशिक्षण और मूल्यांकन वातावरण स्वचालित रूप से उत्पन्न किए जा सकते हैं, साथ ही विशिष्ट बेंचमार्क पर रिपोर्ट किए गए फाइन-ट्यूनिंग ल...
ThinkJev: एक विचार, कैलिब्रेटेड टाइप्ड निर्णयों के लिए हर बजट
ThinkJev एक खुले हाइब्रिड-थिंकिंग मॉडल से एक तेज़ और एक धीमा सिस्टम बनाता है: System 1 तब विकल्प-अक्षरों की प्रायिकताएँ पढ़ता है जब मॉडल सीधे उत्तर देता है, और System 2 उसी कैश्ड प्रॉम्प्ट पर मॉडल के विचार करने के बाद वही अक्षर पढ़ता है, इसलिए एस्केलेशन में कोई काम दोहराया नहीं जाता और एक नमूनाकृत विचार हर थिंकिंग बजट ...
- 5% लक्ष्य त्रुटि दर पर, Qwen3.5-27B 8359 परीक्षण निर्णयों में से 24.5% का उत्तर अकेले System 1 से देता है, वास्तविक त्रुटि 3.9% रहती है (Qwen3.5-4B और 9B: 6.5% और 0.0%)।
- शेष निर्णयों के लिए, उत्तर के आश्वस्त होते ही प्रत्येक विचार रोकने पर 81.6% सटीकता मिलती है, जबकि हमेशा विचार करने पर 82.7%, और यह थिंकिंग टोकनों के 72% के साथ।
- पेपर रिपोर्ट करता है कि टाइप्ड-निर्णय सेवाओं के स्वतंत्र बेंचमार्क JevBench के सार्वजनिक आइटमों पर Qwen3.5-27B 29.4% मामलों में विचार करता है और सटीकता में सूचीबद्ध दो थिंकिंग API से अलग नहीं पहचाना जा सकता (खोजपूर्ण)।
- पेपर कहता है कि प्रशिक्षण आवश्यक नहीं है: लेबल किए गए डेव डेटा पर एक सांख्यिकीय परीक्षण स्वीकृत System 1 उत्तरों को लक्ष्य त्रुटि दर के नीचे रखता है, और कोड तथा डेटा जनरेटर उपलब्ध हैं।
टाइप्ड-निर्णय सेवाएँ बनाने वालों के लिए यह संकेत है कि एक ही खुले हाइब्रिड-थिंकिंग मॉडल पर कैश्ड प्रॉम्प्ट और उसकी अक्षर-प्रायिकताओं का पुनः उपयोग करें, और सांख्यिकीय गारंटी के तहत प्रति निर्णय विचार करने या न करने का फैसला करें, जिससे नियं...
एजेंटिक स्मार्ट कॉन्ट्रैक्ट सिंथेसिस में इरादा कहाँ खोता है, इसका मापन
यह पेपर निष्पादन-आधारित मूल्यांकन डिज़ाइन करता है जो AI द्वारा लिखे गए कॉन्ट्रैक्ट और उसके मूल कॉन्ट्रैक्ट पर वही ट्रांज़ैक्शन दोबारा चलाकर मेल की आवृत्ति मापता है, और कोड लिखने से पहले ग्राहक से छोटी चेकलिस्ट पूछने वाली elicitation-first आर्किटेक्चर प्रस्तावित करता है।
- पेपर रिपोर्ट करता है कि केवल उन फ़ंक्शनों की जाँच करना जो हर सिस्टम में होते हैं, पाइपलाइनों के बीच के अंतर का लगभग आधा हिस्सा छिपा देता है।
- पेपर रिपोर्ट करता है कि तीन AI मॉडलों पर पहले पूछना बाद में समीक्षा या पैच करने से कहीं अधिक मायने रखता है, जबकि स्वचालित सुरक्षा सुधार अक्सर अनुरोधित व्यवहार को तोड़ देते हैं।
- पेपर रिपोर्ट करता है कि AI जज और मानक विश्लेषण उपकरण जैसी सामान्य विधियाँ स्पष्ट गलतियाँ चूक जाती हैं, और स्कोरिंग के चुनाव भी मायने रखते हैं।
- लेखक अपने उपकरण, 600 कार्य और सभी परिणाम जारी करते हैं; पेपर ACM TheWebConf2027 में स्वीकृत हुआ।
एजेंटिक कोड जनरेशन में जनरेशन से पहले छूटी हुई आवश्यकताएँ निकालनी चाहिए और स्वतंत्र रूप से लिखी गई निष्पादन-योग्य उत्तर-कुंजी के विरुद्ध सत्यापन करना चाहिए, न कि बाद की समीक्षा या स्वचालित सुरक्षा पैचिंग पर निर्भर रहना चाहिए।
OpenFrontiers: खुले शोध समस्याओं का संग्रह और वैज्ञानिक पुनर्खोज के लिए बेंचमार्क
OpenFrontiers 12,151 खुले शोध समस्याओं के संरचित कोष को गणित की 200 समस्याओं वाले पूर्वव्यापी बेंचमार्क के साथ जोड़ता है, जिनमें 110 समस्याएँ 2026 में हल हुईं और 90 अभी खुली हैं, और प्रत्येक में स्वचालित जाँचों तथा दो स्वतंत्र समीक्षाओं से जाँचा गया Lean 4 कथन है।
- कोष 12,151 समस्याओं के लिए समस्या कथन, संदर्भ, प्रगति और अन्य जानकारी दर्ज करता है।
- बेंचमार्क में 200 समस्याएँ हैं, 110 2026 में हल हुईं और 90 अभी खुली हैं, प्रत्येक में स्वचालित जाँचों तथा दो स्वतंत्र समीक्षाओं से जाँचा गया Lean 4 कथन है।
- उपसमुच्चय HQ-50 गुणवत्ता स्कोर आदि के आधार पर और छानता है।
- मूल्यांकन प्रोटोकॉल एक पृथक सैंडबॉक्स में दो स्वतंत्र जाँचकर्ताओं के साथ औपचारिक प्रमाणों को अंक देता है, बंद-पुस्तक, स्थिर-पुनर्प्राप्ति और लाइव-वेब स्थितियों में।
चूँकि बेंचमार्क औपचारिक अंकन को बंद-पुस्तक, स्थिर-पुनर्प्राप्ति और लाइव-वेब स्थितियों में अलग करता है, निर्माता वास्तविक पुनर्खोज को प्रकाशित समाधानों की पुनर्प्राप्ति से अलग पहचान सकते हैं।