Hugging Face ನಲ್ಲಿನ ಪ್ರಮುಖ AI ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು

AI ಸ್ಪರ್ಧೆಯು ಕೇವಲ ಮಾದರಿಗಳನ್ನು (models) ದೊಡ್ಡದನ್ನಾಗಿ ಮಾಡುವ ಹಂತವನ್ನು ಮೀರಿ ಸಾಗುತ್ತಿದೆ. ಇಂದು, ನಾವು ಅವುಗಳನ್ನು ಹೇಗೆ ಬಳಸುತ್ತೇವೆ (serve), ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ ಎಂಬುದರ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸಲಾಗಿದೆ.

ಪ್ರಸ್ತುತ Hugging Face ನಲ್ಲಿರುವ 10 ಅತ್ಯಂತ ಪ್ರಮುಖ AI ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು ಇಲ್ಲಿವೆ:

  1. Program-as-Weights ಅನೇಕ ಕಾರ್ಯಗಳನ್ನು ಸಾಮಾನ್ಯ ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ವಿವರಿಸುವುದು ಸುಲಭ, ಆದರೆ ಕೋಡ್‌ನಲ್ಲಿ ಬರೆಯುವುದು ಕಷ್ಟ. ಪ್ರತಿ ಬಾರಿಯೂ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಪ್ರಾಂಪ್ಟ್ ಮಾಡುವ ಬದಲು, ಈ ವಿಧಾನವು ನೈಸರ್ಗಿಕ ಭಾಷೆಯನ್ನು ಸಣ್ಣ ನ್ಯೂರಲ್ ತೂಕಗಳಾಗಿ (neural weights) ಸಂಕಲಿಸಲು ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ. ನೀವು ಈ ಸಣ್ಣ ತೂಕಗಳನ್ನು ಲಘು ಮಾದರಿಯೊಂದಿಗೆ (light model) ಬಳಸಬಹುದು. ಇದು ಕಂಟೆಂಟ್ ಮಾಡರೇಶನ್ ಅಥವಾ ಇಮೇಲ್ ಫಿಲ್ಟರಿಂಗ್‌ನಂತಹ ಕಾರ್ಯಗಳಿಗೆ ಅಗ್ಗ ಮತ್ತು ವೇಗವಾಗಿದೆ.

  2. AgenticSTS ದೀರ್ಘಾವಧಿಯ ಏಜೆಂಟ್‌ಗಳು (agents) ಹೆಚ್ಚಾಗಿ ವಿಫಲವಾಗುವುದು ಅವುಗಳ ನೆನಪಿನ ಶಕ್ತಿ (memory) ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವುದರಿಂದ. ಕೇವಲ ಕಚ್ಚಾ ಚಾಟ್ ಇತಿಹಾಸವನ್ನು ಬಳಸುವ ಬದಲು, ರಚನಾತ್ಮಕ ಮೆಮೊರಿ ಪದರಗಳನ್ನು (structured memory layers) ಬಳಸಲು ಈ ಪ್ರಬಂಧವು ಸೂಚಿಸುತ್ತದೆ. ಇದು ಏಜೆಂಟ್‌ಗಳು ಸ್ಟ್ರಾಟಜಿ ಗೇಮ್‌ಗಳು ಅಥವಾ ದೀರ್ಘ ಸಂಶೋಧನಾ ಯೋಜನೆಗಳಂತಹ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

  3. PerceptionRubrics ಪ್ರಸ್ತುತ ಮಲ್ಟಿಮೋಡಲ್ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು (multimodal benchmarks) ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ತೋರಿಸುತ್ತವೆ ಆದರೆ ನೈಜ ಪ್ರಪಂಚದ ಕಾರ್ಯಕ್ಷಮತೆ ಕಡಿಮೆ ಇರುತ್ತದೆ. ಮಾದರಿಗಳು ಜಗತ್ತನ್ನು ಹೇಗೆ ನೋಡುತ್ತವೆ ಎಂಬುದನ್ನು ಗ್ರೇಡ್ ಮಾಡಲು ಈ ಚೌಕಟ್ಟು (framework) ವಿವರವಾದ ರೂಬ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ವಿژುವಲ್ ಅಸಿಸ್ಟೆಂಟ್‌ಗಳು ಮತ್ತು OCR ಪರಿಕರಗಳಲ್ಲಿನ ಸಣ್ಣ ತಪ್ಪುಗಳನ್ನು ಸರಿಪಡಿಸಲು ಡೆವಲಪರ್‌ಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

  4. EvoPolicyGym ಏಜೆಂಟ್‌ಗಳು ಕೇವಲ ಊಹಿಸದೆ ತಮ್ಮನ್ನು ತಾವು ಹೇಗೆ ಸುಧಾರಿಸಿಕೊಳ್ಳುತ್ತವೆ? ಏಜೆಂಟ್‌ಗಳು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು (feedback) ಓದಿ ತಮ್ಮ ಸ್ವಂತ ನಡವಳಿಕೆಯನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡಬಲ್ಲವೇ ಎಂದು ಈ ಪ್ರಬಂಧವು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಇದು ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗೆ ಉಪಯುಕ್ತವಾಗಿದೆ.

  5. FlashMorph ದೀರ್ಘ ದಾಖಲೆಗಳಿಗೆ Transformers ನಲ್ಲಿನ 'ಫುಲ್ ಅಟೆನ್ಷನ್' (full attention) ದುಬಾರಿಯಾಗುತ್ತದೆ. FlashMorph ಯಾವ ಪದರಗಳಿಗೆ (layers) ಪೂರ್ಣ ಗಮನದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಯಾವುವು ಅಗ್ಗದ ಲೀನಿಯರ್ ಅಟೆನ್ಷನ್ ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ಉತ್ತಮ ಸಮತೋಲನವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ. ಇದು ಕಾನೂನು ಅಥವಾ ಕೋಡಿಂಗ್ ಅಸಿಸ್ಟೆಂಟ್‌ಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ.

  6. TurboServe ವೀಡಿಯೊವನ್ನು ರಚಿಸುವುದು ಪಠ್ಯವನ್ನು ರಚಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿದೆ ಏಕೆಂದರೆ ಅದಕ್ಕೆ ಬೃಹತ್ GPU ಸಂಪನ್ಮೂಲಗಳ ಅಗತ್ಯವಿದೆ. TurboServe ಸಿಸ್ಟಮ್ ಮೂಲಕ ಡೇಟಾ ಚಂಕ್‌ಗಳು ಹೇಗೆ ಚಲಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಮೂಲಕ ವೀಡಿಯೊ ಸ್ಟ್ರೀಮಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ದೊಡ್ಡ ಪ್ರಮಾಣದ text-to-video ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಿಗೆ ಅತ್ಯಗತ್ಯವಾಗಿದೆ.

  7. ELDR Mixture-of-Experts (MoE) ಮಾದರಿಗಳಲ್ಲಿ, ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳ ನಡುವೆ ಡೇಟಾವನ್ನು ವರ್ಗಾಯಿಸುವುದು ಅಡಚಣೆಗಳನ್ನು (bottlenecks) ಉಂಟುಮಾಡುತ್ತದೆ. ELDR ಒಂದು ವಿನಂತಿಗೆ ಯಾವ ಎಕ್ಸ್‌ಪರ್ಟ್‌ಗಳು ಬೇಕೆಂದು ಮುನ್ಸೂಚನೆ ನೀಡಿ ಅದನ್ನು ಸ್ಮಾರ್ಟ್ ಆಗಿ ರಸ್ಟ್‌ ಮಾಡುತ್ತದೆ. ಇದು ದೊಡ್ಡ ಪ್ರಮಾಣದ LLM ಇನ್ಫರೆನ್ಸ್ (inference) ಗಾಗಿ ವಿಳಂಬವನ್ನು (latency) ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

  8. Asymmetric Mutual Variational Learning ಮಲ್ಟಿಮೋಡಲ್ ಮಾದರಿಗಳು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಅವುಗಳ ಲೇಟೆಂಟ್ ಸ್ಪೇಸ್‌ನಲ್ಲಿ (latent space) ಉತ್ತರವನ್ನು ನೋಡುವುದರ ಮೂಲಕ ಕೆಲವೊಮ್ಮೆ "ವಂಚನೆ" (cheat) ಮಾಡುತ್ತವೆ. ಈ ವಿಧಾನವು ತರ್ಕವನ್ನು (reasoning) ಸ್ಥಿರಗೊಳಿಸುತ್ತದೆ ಇದರಿಂದ ಮಾದರಿಗಳು ನೈಜ ಪ್ರಪಂಚದ ಬಳಕೆಯ ಸಮಯದಲ್ಲಿ ನಿಖರವಾಗಿರುತ್ತವೆ. ಇದು ವೈದ್ಯಕೀಯ ಇಮೇಜಿಂಗ್‌ಗೆ ಉತ್ತಮವಾಗಿದೆ.

  9. Seed2.0 ಹೆಚ್ಚಿನ ಮಾದರಿಗಳು ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಲ್ಲಿ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡುತ್ತವೆ ಆದರೆ ನೈಜ ಪ್ರಪಂಚದ ಸಂಕೀರ್ಣತೆಯಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ. Seed2.0 ಗೊಂದಲಮಯವಾದ ನೈಜ ಪ್ರಪಂಚದ ಪರಿಸರದಲ್ಲಿ ತರ್ಕ (reasoning), ಚಿತ್ರಗಳ ತಿಳುವಳಿಕೆ ಮತ್ತು ಹುಡುಕಾಟದ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.

  10. MemSyco-Bench ನೆನಪಿನ ಶಕ್ತಿಯು ಏಜೆಂಟ್ ಅನ್ನು "ಸೈಕೋಫಾಂಟಿಕ್" (sycophantic) ಮಾಡಬಹುದು, ಅಂದರೆ ನೀವು ತಪ್ಪಾಗಿದ್ದರೂ ಸಹ ಕೇವಲ ಸಹಾಯ ಮಾಡಲು ಅದು ನಿಮ್ಮೊಂದಿಗೆ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ. ನೆನಪಿನ ಶಕ್ತಿಯು ಏಜೆಂಟ್‌ನ ತರ್ಕಕ್ಕೆ ಹೇಗೆ ಪೂರ್ವಾಗ್ರಹವನ್ನು (bias) ಉಂಟುಮಾಡಬಹುದು ಎಂಬುದನ್ನು ಈ ಪ್ರಬಂಧವು ಅಳೆಯುತ್ತದೆ. ಪ್ರಾಮಾಣಿಕ AI ಕಂಪಾನಿಯನ್ಸ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಇದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.

ಮುಖ್ಯ ಅಂಶ: ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಚರ್, ಮೆಮೊರಿ ವಿನ್ಯಾಸ ಮತ್ತು ನಿಯೋಜನಾ ವೆಚ್ಚಗಳು (deployment costs) ಈಗ ಮಾದರಿಗಳಷ್ಟೇ ಮುಖ್ಯವಾಗಿವೆ.

ಮೂಲ: https://dev.to/y_hnhnhan_2f26de65ffcc4/top-ai-papers-on-hugging-face-2026-07-03-2mpn

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi