8616 Arbeiten
Die Arbeit stellt SMGI als eine strukturelle Theorie der allgemeinen künstlichen Intelligenz vor, die das Lernen als kontrollierte Evolution der Lernschnittstelle neu definiert, ein streng formalisiertes Typen-Modell zur Trennung von Struktur und Semantik etabliert und beweist, dass klassische sowie moderne KI-Ansätze als eingeschränkte Instanzen dieses allgemeinen Rahmens fungieren.
Die Studie stellt EveryQuery vor, ein auf elektronischen Gesundheitsakten vortrainiertes Modell, das durch task-konditioniertes Pretraining klinische Vorhersagen in Null-Shot-Szenarien effizienter und genauer als autoregressive Baseline-Modelle trifft, indem es Patientenhistorie und strukturierte Abfragen direkt in eine Wahrscheinlichkeitsvorhersage umwandelt.
Die Studie stellt einen rein visuellen Autonomie-Rahmen für die robotergestützte Bronchoskopie vor, der durch eine Hierarchie aus kurz- und langfristigen Agenten sowie einen Weltmodell-Kritiker eine präzise Navigation ohne externe Sensoren ermöglicht und ihre Wirksamkeit in phantombasierten, ex-vivo- und in-vivo-Experimenten nachweist.
Das Papier stellt Ares vor, einen Framework, der durch einen leichten Router den optimalen Rechenaufwand pro Schritt in LLM-Agenten dynamisch anpasst, um die Inferenzkosten um bis zu 52,7 % zu senken, ohne die Erfolgswahrscheinlichkeit der Aufgaben signifikant zu beeinträchtigen.
Die Arbeit stellt Rel-MOSS vor, einen neuartigen Graph-Neural-Network-Ansatz, der durch relationsspezifische Gating-Mechanismen und eine geführte Überabtastung das Problem des Klassenungleichgewichts bei der Entitätsklassifizierung in relationalen Datenbanken adressiert und damit die Leistung bestehender Methoden signifikant verbessert.
Die Arbeit stellt IMSE vor, eine Testzeit-Anpassungsmethode, die durch die SVD-basierte Anpassung nur der Singulärwerte von Vision-Transformern und eine Diversitätsmaximierung zur Vermeidung von Feature-Collapse sowie durch domänenspezifischen Code-Retrieval für kontinuierliche Szenarien einen State-of-the-Art-Erfolg bei gleichzeitig drastisch reduzierter Anzahl trainierbarer Parameter erzielt.
Das Paper stellt SWE-Fuse vor, ein Trainingsframework für Software-Agenten, das durch die Kombination von issue-freien Trajektorien und entropiebewusstem RLVR-Training die Probleme unzureichender Issue-Beschreibungen löst und auf dem SWE-bench Verified-Benchmark signifikante Verbesserungen bei der Fehlerbehebung erzielt.
Der Artikel schlägt vor, dass intelligente, menschlich überwachte KI-Agenten, die auf Deep Learning und großen Sprachmodellen basieren, die nächste Evolution der wissenschaftlichen Methode darstellen, wie am Beispiel des Dr.-Sai-Systems am Institut für Hochenergiephysik der Chinesischen Akademie der Wissenschaften demonstriert wird, um die wachsende Komplexität in datenintensiven Wissenschaften wie der Teilchenphysik zu bewältigen.
Die Arbeit stellt ELLMob vor, ein selbstabstimmendes LLM-Framework, das unter Verwendung der Fuzzy-Trace-Theorie und eines neu erstellten, ereignisannotierten Datensatzes menschengemäße Mobilitätsdaten generiert, die sowohl gewohnheitsbasierte Muster als auch Einschränkungen durch Großereignisse wie den Taifun Hagibis, die COVID-19-Pandemie und die Olympischen Spiele 2021 in Tokio erfolgreich vereinen.
Die Arbeit stellt PSTNet vor, ein extrem ressourcenschonendes neuronales Netzwerk mit nur 552 Parametern, das physikalische Prinzipien direkt in seine Architektur integriert, um die Echtzeit-Schätzung atmosphärischer Turbulenzen für sicherheitskritische Flugsysteme präziser und effizienter zu ermöglichen als herkömmliche Methoden.
Die Arbeit stellt EvoStage vor, ein neuartiges evolutionäres Paradigma, das durch stufenweise Zerlegung, Echtzeit-Feedback und Multi-Agenten-Systeme die LLM-basierte algorithmische Gestaltung verbessert und dabei menschliche Experten sowie bestehende Methoden in Bezug auf Chip-Platzierung und Black-Box-Optimierung übertrifft.
Die Arbeit stellt das HILA-Framework vor, das durch eine metakognitive Policy und einen Dual-Loop-Optimierungsansatz Multi-Agent-Systeme befähigt, den Zeitpunkt für autonome Lösungen oder menschliche Expertise-Einbindung dynamisch zu steuern und sich durch kontinuierliches Lernen aus Feedback stetig zu verbessern.
Das Paper stellt VORL-EXPLORE vor, einen hybriden Lern- und Planungsansatz für die Multi-Robot-Erkundung in dynamischen Umgebungen, der durch eine geteilte Schätzung der Navigierbarkeit die Aufgabenverteilung mit der Bewegungssteuerung koppelt, um Engpässe zu vermeiden und eine robuste, kollisionsfreie Erkundung zu gewährleisten.
Das Paper stellt OSExpert vor, einen Computer-Nutzungs-Agenten, der durch einen GUI-basierten Tiefensuch-Algorithmus (GUI-DFS) und das Erlernen von Aktionsprimitiven professionelle Fähigkeiten erwirbt, wodurch er auf dem Benchmark OSExpert-Eval eine Leistungssteigerung von rund 20 % und eine um 80 % verbesserte Effizienz im Vergleich zu menschlichen Experten erreicht.
Dieser Artikel stellt die These von Krakauer, Krakauer und Mitchell in Frage, dass wahre Intelligenz auf effizienter Kompression und Analogie beruht, und argumentiert stattdessen, dass menschliche Expertise durch domänenspezifische Musterakkumulation entsteht, was dazu führt, dass Künstliche Allgemeine Intelligenz (AGI) besser als ein „Archipel von Experten" aus spezialisierten Modulen ohne einheitliche Prinzipien konzeptualisiert werden sollte.
Die Arbeit stellt \$OneMillion-Bench vor, einen Benchmark mit 400 von Experten erstellten Aufgaben aus fünf Fachbereichen, der darauf abzielt, die Zuverlässigkeit und professionelle Tiefe von Sprachagenten in realen, wirtschaftlich bedeutenden Szenarien durch eine rubrikbasierte Bewertung zu messen.
Die Arbeit stellt CMMR-VLN vor, ein Vision-and-Language-Navigation-Framework, das Large-Language-Modelle durch eine strukturierte, multimodale Erinnerung und Reflexionsmechanismen befähigt, relevante Erfahrungen selektiv abzurufen, was in Simulationen und realen Tests zu signifikant verbesserten Erfolgsraten im Vergleich zu bestehenden Ansätzen führt.
Diese Arbeit stellt den Drag-Aware Aerodynamic Manipulability (DAAM) vor, einen geometrischen Rahmen für die Kraftzuweisung redundanter Multirotoren, der durch eine riemannsche Metrik und die Optimierung des manipulierbaren Volumens motorische Drehmomentgrenzen sowie aerodynamischen Widerstand explizit berücksichtigt, um eine koordinateninvariante Redundanzauflösung zu ermöglichen.
Die Arbeit stellt ViSA vor, ein Framework zur Verbesserung der aerialen Vision-Language-Navigation durch visuelle-räumliche Schlussfolgerung, das ohne Nachtraining von Sprachmodellen auskommt und auf dem CityNav-Benchmark eine 70,3%ige Steigerung der Erfolgsrate gegenüber dem aktuellen State-of-the-Art erzielt.
Die Arbeit stellt PIRA-Bench vor, einen neuen Benchmark und ein Framework namens PIRF, die darauf abzielen, GUI-Agenten von einem reaktiven hin zu einem proaktiven Paradigma zu überführen, bei dem KI-Assistenten Nutzerabsichten autonom aus visuellen Eingaben vorhersagen und Empfehlungen geben.