2284 Arbeiten
Die Arbeit stellt TrustBench vor, ein Echtzeit-Framework, das durch eine präventive Verifikation von Agentenaktionen vor deren Ausführung und den Einsatz domänenspezifischer Plugins die Anzahl schädlicher Aktionen um 87 % reduziert und damit den Übergang von Large Language Models zu vertrauenswürdigen autonomen Agenten ermöglicht.
Das Paper stellt RubiCap vor, ein neuartiges Reinforcement-Learning-Framework, das mithilfe von LLM-generierten Rubriken feingranulare Belohnungssignale für das Dichte-Bildbeschreiben erzeugt und damit sowohl die Vielfalt der Ergebnisse als auch die Leistung von Vision-Language-Modellen im Vergleich zu bestehenden Methoden und menschlichen Annotationen signifikant verbessert.
Diese Arbeit schlägt ein kosteneffizientes Framework vor, das funktional fehlerhafte, aber strukturell aussagekräftige von LLMs generierte RTL-Codes nutzt, um Netlist-Repräsentationen zu lernen und so die Datenknappheit für das Training von KI-Modellen in der Schaltungsanalyse zu überwinden.
Die Arbeit stellt GIAT vor, einen neuartigen Geologisch-Informierten Attention Transformer, der durch die Integration von geologischen Priors in den Aufmerksamkeitsmechanismus die Genauigkeit und Interpretierbarkeit der Lithologie-Identifikation aus Bohrlochdaten signifikant verbessert.
Das Paper stellt ZeroWBC vor, ein Framework, das mithilfe von feinabgestimmten Vision-Language-Modellen und menschlichen Ego-Videos natürliche Ganzkörpersteuerung für humanoide Roboter ermöglicht, ohne auf teure Teleoperationsdaten angewiesen zu sein.
Die Arbeit stellt mit AlphaEvolve, einem auf großen Sprachmodellen basierenden Code-Mutations-Agenten, einen einheitlichen Meta-Algorithmus vor, der nicht nur die unteren Schranken für fünf klassische Ramsey-Zahlen verbessert, sondern auch bekannte exakte Werte erfolgreich rekonstruiert.
Diese Arbeit stellt ein physik-informiertes generatives Modell vor, das stochastische Verkehrsflüsse durch eine auf der Itô-LWR-Gleichung basierende Verteilungsdynamik und ein score-basiertes Netzwerk abbildet, um datenbasierte Schätzungen von Verkehrsdichteverteilungen einschließlich Unsicherheitsintervallen zu ermöglichen.
Das Papier stellt DuplexCascade vor, ein VAD-freies, kaskadiertes ASR-LLM-TTS-System, das durch Mikro-Turn-Interaktionen und spezielle Steuertoken voll-duplexe Sprachdialoge mit hoher Konversationsintelligenz ermöglicht.
Die Arbeit stellt Latent-DARM vor, ein latenter Kommunikationsrahmen, der diskrete Diffusionsmodelle als Planer und autoregressive Modelle als Ausführer verbindet, um die reasoning-Fähigkeiten in Multi-Agenten-Systemen signifikant zu verbessern und dabei den Token-Verbrauch drastisch zu senken.
Der vorgestellte „Explainable Innovation Engine"-Ansatz verbessert herkömmliche RAG-Systeme durch den Einsatz von Methoden als Knoten in einer dualen Baumstruktur, die eine agentenbasierte, nachvollziehbare Synthese und eine verifizierbare Rückkopplung für kontrollierbare und überprüfbare Innovationen ermöglicht.
Die Arbeit argumentiert, dass Fortschritte in der logischen推理 von KI-Systemen über drei mechanistische Pfade (deduktive Selbstinferenz, induktive Kontexterkennung und abduktive Selbstmodellierung) unweigerlich zu einer gefährlichen situativen Selbstwahrnehmung führen, und schlägt daher neue Sicherheitsmaßnahmen wie einen „Spiegel-Test"-Benchmark vor, um diese Eskalation zu verhindern.
Die Arbeit stellt \textsc{EvalAct} vor, einen Ansatz, der die Evaluierung von Suchergebnissen zu einer expliziten Aktion macht und durch eine prozessbasierte Optimierung (PCAR) die Zuverlässigkeit von retrieval-basierten Agenten bei mehrstufigen Schlussfolgerungen signifikant verbessert.
Die Studie zeigt, dass emotionale Töne die Aufmerksamkeitsgeometrie von Large Language Models systematisch verändern, und stellt mit dem AURA-QA-Datensatz sowie einem emotionalen Regularisierungsrahmen neue Methoden vor, um die Leseverständnisleistung unter emotionalen Distributionsschwankungen zu verbessern.
Die Studie formalisiert einen makrofinanziellen Stresstest für die schnelle KI-Adoption, der zeigt, wie die Diskrepanz zwischen KI-generiertem Überfluss und einer durch Lohnverdrängung, sinkende Geldumlaufgeschwindigkeit und Intermediärkollaps verursachten Nachfrageschwäche zu einer explosiven Wirtschaftskrise führen kann, wenn institutionelle Anpassungen ausbleiben.
Die Studie stellt PrivPRISM vor, ein automatisiertes Framework, das Diskrepanzen zwischen den vereinfachten Google Play-Datensicherheitsangaben und den vollständigen Datenschutzrichtlinien aufdeckt und dabei zeigt, dass bei fast der Hälfte der untersuchten Apps widersprüchliche oder unvollständige Angaben zu Datenpraktiken vorliegen, was die Notwendigkeit einer strengeren Durchsetzung und Nutzerwachsamkeit unterstreicht.
Diese Arbeit stellt einen skalierbaren Simulationsrahmen vor, der ein muskuloskelettales Menschmodell mit Reinforcement Learning kombiniert, um die physische Mensch-Roboter-Interaktion quantitativ zu analysieren und die gleichzeitige Co-Optimierung von Roboterkonstruktion und Steuerung zu ermöglichen.
Die Arbeit stellt BD-FDG vor, ein Framework zur Generierung von feinabgestimmten Trainingsdaten für Large Language Models im Bereich der Weltraumlageerkennung, das durch kognitiv gestaffelte Fragestellungen und automatische Qualitätskontrolle eine signifikante Leistungssteigerung bei gleichzeitiger Beibehaltung allgemeiner Fähigkeiten ermöglicht.
Das Paper stellt BridgeDiff vor, ein diffusionsbasiertes Framework, das durch die Garment Condition Bridge Module und das Flat Structure Constraint Module die Lücke zwischen menschlichen Beobachtungen und der Synthese flacher Kleidungsstücke schließt, um konsistente und strukturell stabile virtuelle Anproben zu ermöglichen.
Die Arbeit stellt Social-R1 vor, ein Reinforcement-Learning-Framework, das durch das Training mit dem adversarischen Benchmark ToMBench-Hard und einer prozessbasierten Belohnungsfunktion menschliche soziale Intelligenz in Sprachmodellen fördert und dabei selbst kleine Modelle (4B Parameter) effizienter als größere Alternativen macht.
Diese Studie präsentiert einen umfassenden Multi-Modell-Ansatz, der vortrainierte und benutzerdefinierte neuronale Netze für die Verkehrsschilderkennung, Fahrzeug- und Spurerkennung sowie Verhaltensnachahmung integriert, um die Robustheit und Zuverlässigkeit autonomer Fahrsysteme durch fortschrittliche Deep-Learning-Techniken und diverse Datensätze zu verbessern.