WearableQA պրեպրինտը ներկայացնում է կրելի սարքերի երկարաժամկետ գրառումների շուրջ տրամաբանելու benchmark
WearableQA-ն arXiv-ի պրեպրինտ է, որը նկարագրում է կրելի սարքերի հետ կապված երկարաժամկետ գրառումների հիման վրա կազմված 4,084 բազմակի ընտրության հարց: Հեղինակները հայտնում են 14 լեզվական մոդելի միավորների լայն միջակայքի մասին, մինչդեռ տրամադրված նյութերը բաց են թողնում գրախոսության, կրկնելիության, տվյալների կառավարման, հանրային հասանելիության և կլինիկական նշանակության հարցերը: [1]
Այս թողարկումն անցել է «Իմանանք»-ի հրապարակման ընդլայնված ստուգումները: Որոշ էական պնդումներ շարունակում են հստակ վերագրվել պաշտոնական կամ ընկերության աղբյուրներին, քանի որ այս թողարկմանը դեռ անկախ աղբյուր կցված չէ: Համակարգը շարունակում է ստուգել հաստատված աղբյուրները և անկախ հաստատումը կավելացնի միայն ամբողջական ստուգում անցած նոր թողարկմամբ:
2026 թ. սեպտեմբերի 4-ի arXiv-ի պրեպրինտը ներկայացնում է WearableQA-ն՝ առաջարկվող benchmark՝ կրելի սարքերի երկարաժամկետ գրառումների շուրջ լեզվական մոդելների տրամաբանելու ունակությունը գնահատելու համար: Հեղինակները հայտնում են 14 մոդելի փորձարկման մասին, սակայն տրամադրված աղբյուրը չի հաստատում գրախոսության առկայությունը, անկախ վերարտադրումը, նյութերի հանրային հրապարակումը կամ կլինիկական պիտանիությունը: [1]
01
02
Հեղինակների նկարագրած հարցերը
Հեղինակները benchmark-ում նկարագրում են 4,084 տասը տարբերակով բազմակի ընտրության հարց:Օգտատերերը նշված տվյալների բազայում
Պրեպրինտում նշվում է, որ հարցերը հիմնված են 200 օգտատիրոջ կրելի սարքերի ժամանակային շարքերի, արյան բիոմարկերների և ժողովրդագրության վրա:Չափումների առավելագույն տևողությունը
Հեղինակները նշում են յուրաքանչյուր օգտատիրոջ համար մինչև 500 օրվա ամենօրյա չափումներ:Մոդելների միավորների միջակայքը
Հեղինակները հայտնում են 19.6%-ից 72.9% արդյունքների մասին՝ պատահական ընտրության 10% բազային շեմի պայմաններում:Բոլոր տվյալները հեղինակների կողմից ներկայացված են arXiv-ի պրեպրինտում և տրամադրված նյութերում անկախ ստուգում չեն անցել: [1]
03
Ինչ է նշված պրեպրինտում ստեղծված համակարգի մասին
WearableQA-ն arXiv է ներկայացվել 2026 թ. սեպտեմբերի 4-ին «Հաշվարկներ և լեզու» բաժնում: Հեղինակներն այն ներկայացնում են որպես benchmark՝ մեկուսի չափման փոխարեն մարդու կրելի սարքերի երկարաժամկետ գրառումների շուրջ լեզվական մոդելների տրամաբանելու ունակությունը ստուգելու համար: [1]
- Հեղինակները նկարագրում են 4,084 տասը տարբերակով բազմակի ընտրության հարց՝ հիմնված 200 օգտատիրոջ կրելի սարքերի ժամանակային շարքերի, արյան բիոմարկերների և ժողովրդագրական տվյալների վրա:
- Նրանք նշում են յուրաքանչյուր օգտատիրոջ համար մինչև 500 օրվա ամենօրյա չափումներ:
- Պրեպրինտում նշվում է, որ գրառումները պահպանում են իրական աշխարհի շեղումները, այդ թվում՝ սարքերի աղմուկն ու անհատական տարբերությունները:
04
Ինչպես են կազմակերպված առաջարկվող առաջադրանքները
Ըստ պրեպրինտի՝ երկու առանցքները տարանջատում են երկարաժամկետ չափումների հաշվարկը ֆիզիոլոգիական մեկնաբանությունից, իսկ մեկ ազդանշանի շուրջ դատողությունը՝ մի քանի ազդանշանների ինտեգրումից: Հեղինակները նշում են, որ հարցերի կառուցվածքը համադրում է գրականության վրա հիմնված եզրակացությունները և վիճակագրորեն վավերացված պոպուլյացիոն օրինաչափությունները: Տրամադրված աղբյուրն անկախ կերպով չի հաստատում այս մեթոդաբանությունը կամ նշված կատեգորիաները: [1]
- Հեղինակները նկարագրում են հարցերի 16 տեսակ:
- Դրանք խմբավորված են տվյալների տրամաբանության և առողջապահական տրամաբանության միջև:
- Առաջադրանքները բաժանված են նաև մեկ ազդանշանի և խաչաձև ազդանշանների տրամաբանության:
05
Ինչ են հայտնում հեղինակները մոդելների թեստավորումից
Այս արդյունքները benchmark-ի նկարագրված ելքերն են և ոչ թե անկախ ապացույց՝ նշված շրջանակից դուրս արդյունավետության մասին: Տրամադրված փաստերը չեն հաստատում, որ միավորները հնարավոր է վերարտադրել կամ որ դրանք վկայում են կլինիկական օգտակարության մասին: [1]
- Հեղինակները հայտնում են 14 փակ և բաց կոդով լեզվական մոդելների գնահատման մասին:
- Նրանք նշում են ճշգրտության միավորներ 19.6%-ից մինչև 72.9%:
- Նրանք օգտագործում են պատահական ընտրության 10% բազային շեմ և նշում, որ մոդելների մեծ մասը հավաքել է 60%-ից ցածր միավոր:
06
Հիմնական աղբյուրը և բաց հարցերը
Հետաքրքրված ընթերցողները կարող են ծանոթանալ arXiv-ի էջին՝ հոդվածի և դրա սեղմագրի համար: Լրացուցիչ փաստեր կպահանջվեն գրախոսության կարգավիճակը, կրկնելիությունը, տվյալների կառավարումը, մասնակիցների մանրամասները և հետազոտական նյութերի հասանելիությունը գնահատելու համար: [1]
- Հիմնական աղբյուր՝ https://arxiv.org/abs/2609.05405v1
- Գրառումը փաստաթուղթը նույնականացնում է որպես arXiv:2609.05405v1:
- Տրամադրված նյութերը չեն հաստատում տվյալների, կոդի, benchmark-ի նյութերի կամ մոդելների ելքային արդյունքների հանրային հասանելիությունը:
07
Ինչպես մեկնաբանել ներկայացված արդյունքները
Տրամադրված նյութը նկարագրում է հետազոտական թեստային համակարգ (benchmark), այլ ոչ թե կլինիկական գործիք կամ բժշկական պատրաստվածության ստուգված գնահատում: [1]
- 01
Գնահատականները դիտարկեք որպես հեղինակների ներկայացրած պրեպրինտային արդյունքներ. տրամադրված փաստերը չեն հաստատում գրախոսության առկայությունը կամ անկախ վերարտադրումը: [1]
- 02
Մի ենթադրեք, թե benchmark-ի միավորները վկայում են առողջական տվյալների անվտանգ մեկնաբանման կամ կլինիկական պիտանիության մասին: [1]
- 03
Առանձին ստուգեք benchmark-ի, հիմքում ընկած տվյալների, գնահատման կոդի և արդյունքների հասանելիությունը: Տրամադրված աղբյուրը դրանց հանրային հասանելիությունը չի փաստում: [1]
08
Այս թողարկման սահմանափակումները
WearableQA-ն գրանցված է որպես arXiv-ի 1-ին տարբերակի պրեպրինտ: Տրամադրված փաստերը չեն հաստատում գրախոսություն անցնելը կամ ամսագրի կամ գիտաժողովի կողմից ընդունվելը: [1]
Աղբյուրը հաստատում է տվյալների բարձր մակարդակի հիմք՝ 200 օգտատիրոջ կրելի սարքերի ժամանակային շարքեր, արյան բիոմարկերներ և ժողովրդագրական տվյալներ՝ մեկ օգտատիրոջ հաշվով մինչև 500 ամենօրյա չափումներով: Այն չի հստակեցնում մասնակիցների աշխարհագրությունը, ներկայացուցչականությունը, ազդանշանների բաշխվածությունը, ընտրանքի բնութագրերը, համաձայնության ընթացակարգերը, գաղտնիության երաշխիքները կամ մուտքի վերահսկումը: [1]
Մոդելների հաղորդված արդյունքները տրամադրված փաստերում անկախ կերպով չեն վերարտադրվել: [1]
Տրամադրված աղբյուրը չի հաստատում benchmark-ի, սկզբնական տվյալների, գնահատման կոդի կամ մոդելների ելքային արդյունքների հանրային հասանելիությունը: [1]
SRC
Աղբյուրների բաժին
Ուղիղ հղումներ այս ընտրանու հիմքում եղած նյութերին: Աղբյուրը տեսնելը նույնքան կարևոր է, որքան սինթեզն ընթերցելը:
Շարունակել ընթերցումը
6 սեպ, 2026 թ.
Նախատպությունն առանձնացնում է prompt-երի բազմազանությունը և օպտիմիզացման արագությունը լեզվական մոդելների distillation-ում
arXiv-ի նոր նախատպության հեղինակները նշում են, որ բազմազան հարցումները կարող են արագ ծածկել լրիվ տվյալներով on-policy distillation-ի բազմաթիվ rollout վիճակներ, մինչդեռ ուսուցչին համապատասխանեցումը դեռ պահանջում է հարյուրավոր քայլեր։ Արդյունքները հուշում են, որ տվյալների բազմազանությունն ու վիճակների հասանելիությունը կարող են տարբերվել դրանք յուրացնելու օպտիմիզացիոն աշխատանքից, սակայն պնդումը նախնական է և վերարտադրման կարիք ունի։
29 օգս, 2026 թ.
Պրեպրինտն առաջարկում է ընտրանքային գնահատումներ տրանսդուկցված լեզվական մոդելների համար
arXiv-ի պրեպրինտն առաջարկում է առանց վերադարձի ընտրանքը և հակադարձ հավանականությամբ վերակշռումը որպես այլընտրանք միայն շեմային զտմանը՝ տրանսդուկցված լեզվական մոդելներում հավանականությունները գնահատելու համար։ Հեղինակները հայտնում են տեքստի և ԴՆԹ-ի փորձարկումներում հաշվարկ-դիսպերսիայի կամ սխալանքի բարելավված արդյունքների, ինչպես նաև ԴՆԹ-ից ամինաթթու մեկ դեպքում աշխատաժամանակի զգալի խնայողության մասին, սակայն տրամադրված տվյալները չեն հաստատում գրախոսում կամ վերարտադրում։
5 սեպ, 2026 թ.
Պրեպրինտը կասկածի տակ է դնում, թե ընթեռնելի հետագծերը բացահայտում են քայլի կարևորությունը
arXiv-ի պրեպրինտում նշվում է, որ chain-of-thought-ի քայլի տեքստը միայն մասամբ է բացահայտում դրա գործառնական կարևորությունը՝ հեղինակների կողմից շահման վրա հիմնված չափանիշով: Հեղինակները հայտնում են, որ ընդունակ LLM գնահատողները գերազանցել են բազային շեմը, բայց մնացել են աղմուկի վերին սահմանից ցածր: Նրանք նաև նշում են զգալի բարելավում քայլերի մակարդակով fine-tune եղած քննադատից՝ սխալ պատասխանների դեպքում, մինչդեռ ճիշտ պատասխանների դեպքում արդյունքը մնացել է վերին սահմանից հեռու: Տրամադրված տվյալները սահմանափակվում են պրեպրինտի գրանցմամբ և սեղմագրով [1]: