1071 Arbeiten
Die Arbeit stellt HatePrototypes vor, interpretierbare und übertragbare Vektordarstellungen, die eine effiziente Erkennung sowohl von expliziter als auch von impliziter Hassrede ermöglichen, ohne wiederholtes Fine-Tuning zu erfordern.
Die Studie stellt SPOT vor, das erste annotierte französische Korpus und Benchmark zur Erkennung kritischer Unterbrechungen in Online-Konversationen, und zeigt, dass feinabgestimmte Encoder-Modelle promptgesteuerte LLMs bei dieser Aufgabe deutlich übertreffen.
Die Studie zeigt, dass Multimodale Large Language Models (MLLMs) zwar durch Chain-of-Thought-Prompting und Feinabstimmung verbessert werden können, aber dennoch eine signifikante Lücke bei der optimalen Zusammensetzung von Fähigkeiten über verschiedene Modalitäten hinweg aufweisen.
Die Studie stellt „Stealth Fine-Tuning" vor, eine effiziente Angriffsmethode, die durch segmentweise Störung und die Wiederverwendung selbstgenerierter Chain-of-Thought-Ausgaben die Sicherheitsausrichtung von Reasoning-augmented Vision-Language Models mit minimalem Aufwand und ohne Verlust der allgemeinen Reasoning-Fähigkeiten umgeht.
Die Arbeit stellt Graphectory vor, ein graphenbasiertes Framework zur prozessorientierten Analyse agenter Softwaresysteme, das nicht nur tiefere Einblicke in deren reasoning-Strategien ermöglicht, sondern durch Echtzeit-Überwachung und Interventionen die Lösungsrate von SWE-bench-Problemen signifikant steigert.
In diesem Paper stellen die Autoren SETUP vor, einen Satz-zu-UMR-Parser für das Englische, der durch Feinabstimmung von AMR-Parsern oder die Nutzung von Universal-Dependencies-Konvertern signifikante Fortschritte bei der automatischen Generierung von Uniform Meaning Representation-Graphen erzielt.
Die Arbeit stellt den Parallel Decoder Transformer (PDT) vor, eine Architektur, die durch einen planer-gespeisten latenten Arbeitsraum und ein synchronisiertes Multi-Stream-Protokoll die parallele Dekodierung von Sprachmodellen von einer externen Orchestrierung in einen internen Koordinationsmechanismus überführt.
Das Paper stellt CompanionCast vor, ein Framework zur Orchestrierung mehrerer spezialisierter KI-Agenten, das durch multimodale Ereigniserkennung, rollenden Kontext-Caching und räumliches Audio das soziale Miterleben von Medieninhalten (wie Fußballspielen) verbessert und so das Gefühl von sozialer Präsenz und emotionalem Austausch im Vergleich zum alleinigen Konsum steigert.
Diese Arbeit bietet eine umfassende Übersicht über die Anpassung agenter KI-Systeme nach dem Pre-Training und gliedert den fragmentierten Forschungsstand in ein vierstufiges Rahmenwerk ein, das Agenten- und Werkzeuganpassung durch Methoden wie Feinabstimmung, Verstärkungslernen und adaptive Speichersysteme zusammenführt.
Die Autoren stellen ein leichtgewichtiges, zweistufiges Vision-Language-Framework vor, das auf einem Swin Transformer und T5-basierten Decodern aufbaut, um bei der visuellen Fragebeantwortung für Pflanzenkrankheiten sowohl hohe Genauigkeit als auch Erklärbarkeit zu erreichen.
Der NC-Bench-Evaluierungsrahmen bewertet die konversationelle Kompetenz von Large Language Models nicht anhand von Inhalten, sondern anhand der strukturellen und formalen Aspekte natürlicher Gespräche, indem er auf dem IBM Natural Conversation Framework basierende Testsets für grundlegende Sequenzen, RAG-Integration und komplexe Anfragen nutzt.
Diese Arbeit bietet die erste systematische Übersicht über die bidirektionale Interaktion zwischen Large Language Models und Multi-Armed Bandits auf Komponentenebene, wobei sie sowohl die Vorteile von Bandit-Algorithmen für LLM-Herausforderungen als auch die Rolle von LLMs bei der Neudefinition von Bandit-Komponenten analysiert.
Die Arbeit stellt MAS-Orchestra vor, ein Trainingsframework, das Multi-Agenten-Systeme durch holistische Orchestrierung als Reinforcement-Learning-Problem formuliert, und führt mit MASBENCH eine kontrollierte Benchmark ein, um die Bedingungen für den Vorteil von Multi-Agenten-Systemen gegenüber Einzelagenten zu analysieren und deren Effizienz sowie Leistung signifikant zu steigern.
Die Studie stellt das Determinismus-Faithfulness Assurance Harness (DFAH) vor, einen Rahmen zur unabhängigen Messung von Nachvollziehbarkeit und Genauigkeit bei Tool-nutzenden LLM-Agenten im Finanzsektor, der zeigt, dass Determinismus und Genauigkeit nicht korrelieren und daher beide separat bewertet werden müssen, um regulatorische Audit-Anforderungen zu erfüllen.
Diese Arbeit stellt EFT-CoT vor, ein Multi-Agenten-Chain-of-Thought-Framework auf Basis der Emotionsfokussierten Therapie (EFT), das durch die Entwicklung des Datensatzes EFT-Instruct und des Modells EFT-LLM eine überlegene empathische Tiefe und professionelle Struktur in der KI-gestützten psychologischen Beratung gegenüber bestehenden Ansätzen ermöglicht.
Dieses Paper stellt eine effiziente Modifikation von X-Codec-2.0 vor, die durch eine Senkung der Latent-Rate auf 25 Hz und eine Erhöhung der Abtastrate auf 24 kHz die zeitliche Effizienz und die wahrgenommene Audioqualität im multilingualen Sprachkontext signifikant verbessert.
Das Paper stellt RedSage vor, ein lokal einsetzbares, quelloffenes Cybersecurity-LLM, das durch domänenspezifisches Vor- und Nachtraining sowie einen agentenbasierten Augmentierungsprozess entwickelt wurde und auf dem neu eingeführten RedSage-Bench sowie etablierten Benchmarks signifikante Verbesserungen gegenüber Baseline-Modellen erzielt.
Das Paper stellt Mem-T vor, einen autonomen Speicher-Agenten, der zusammen mit dem tree-basierten Reinforcement-Learning-Framework MoT-GRPO durch die Umwandlung von spärlichen Terminal-Rewards in dichte, schrittweise Supervision eine effiziente und leistungsfähige End-to-End-Optimierung von Langzeit-Speicherstrategien ermöglicht.
Die Studie zeigt, dass die Struktur der Schwartz-Höherwert-Kategorien als induktive Verzerrung nützlich ist, jedoch die Kalibrierung und Ensemble-Methoden im Vergleich zu starren hierarchischen Gating-Mechanismen oder eigenständigen kompakten LLMs die entscheidenden Verbesserungen bei der Erkennung menschlicher Werte auf Satzebene liefern.
Die Arbeit stellt LatentMem vor, ein lernbares Multi-Agenten-Gedächtnisframework, das durch eine rollenspezifische Anpassung und die Optimierung kompakter latenter Repräsentationen mittels LMPO die Leistung bestehender Systeme signifikant steigert, ohne deren zugrundeliegende Architekturen zu verändern.