1072 Arbeiten
Das Paper stellt RexDrug vor, ein auf Large Language Models basierendes Framework, das durch eine zweistufige Trainingsstrategie mit Multi-Agenten-Reasoning und verstärkendem Lernen zuverlässig komplexe, n-stellige Arzneimittelkombinationen aus biomedizinischer Literatur extrahiert.
Die Studie zeigt, dass das kontinuierliche Chain-of-Thought-Verfahren (CODI) im Vergleich zur herkömmlichen Feinabstimmung nicht nur eine bis zu 50-fache Kompression der Denkspuren ermöglicht, sondern auch durch seine sprachinvarianten latenten Repräsentationen insbesondere bei ressourcenarmen Sprachen und Zero-Shot-Szenarien deutlich robustere multilinguale Schlussfolgerungen erzielt.
Die Arbeit stellt TildeOpen LLM vor, ein 30-Milliarden-Parameter-Modell, das durch Curriculum-Learning und gezielte Datenkuratierung die Leistung für 34 europäische Sprachen, insbesondere für baltische, finno-ugrische und slawische Sprachen, verbessert und dabei eine deutlich gerechtere sprachliche Repräsentation bei begrenzten Rechenressourcen erreicht.
Die Studie stellt CoPaLink vor, ein automatisiertes System, das durch Named Entity Recognition und Entity Linking Bioinformatik-Werkzeuge in wissenschaftlichen Texten mit deren Implementierung in ausführbarem Workflow-Code verknüpft, um die Reproduzierbarkeit und Nachvollziehbarkeit von Forschungsarbeiten zu verbessern.
Die Studie kritisiert, dass die Bewertung von Angriffen auf PII-Entfernungstechniken durch Datenlecks und Kontamination verzerrt ist und stellt fest, dass eine vertrauenswürdige, reproduzierbare Forschung aufgrund der notwendigen Einschränkung des Zugangs zu privaten Daten derzeit nicht möglich ist.
Das Paper stellt DualTurn vor, ein Modell, das durch generatives Vortraining auf dualkanaliger Konversationsaudio natürliche Gesprächsdynamiken lernt und so überlegene Vorhersagen für Gesprächswechsel ermöglicht, ohne auf unnatürliche Stille-Timeouts angewiesen zu sein.
Diese Studie führt die Cross-Lingual Transfer Matrix (CLTM) ein, um systematisch den Einfluss von Quell- auf Zielsprachendaten bei paralinguistischen Aufgaben wie Geschlechteridentifikation und Sprecherüberprüfung zu quantifizieren und zeigt dabei, dass trotz der Annahme von Sprachunabhängigkeit signifikante, aufgabenspezifische sprachabhängige Transfermuster bestehen.
Die Arbeit stellt Fibration Policy Optimization (FiberPO) vor, ein neuartiges Framework, das durch die Aggregational Policy Censoring Objective (APC-Obj) und die algebraische Fiber Bundle Gating (FBG) eine prinzipielle, mehrskalige Stabilitätskontrolle für die Optimierung von Large Language Models über Token-, Trajektorien- und Domänenebenen hinweg ermöglicht.
Diese Studie zeigt, dass die Erklärungen von Transformer-Modellen in Bezug auf Trainingszufälligkeit statistisch signifikant vom Kontext, den zu lernenden Klassen und den Aufgaben abhängen, wobei die Aufgaben den stärksten und der syntaktische Kontext den schwächsten Einfluss haben.
Die vorgestellte Studie demonstriert, dass ein Framework zur Audiovisuellen Spracherkennung für ressourcenarme Sprachen durch die Generierung synthetischer Videodaten mittels Lip-Syncing realer Audioaufnahmen mit statischen Gesichtsbildern erfolgreich bootstrapped werden kann, was in einer Anwendung auf Katalanisch zu einer nahezu state-of-the-art Leistung führt.
Das Papier stellt CoFiCot vor, ein adaptives Framework, das durch eine mehrstufige Klassifizierung von Anfragen nach Schwierigkeitsgrad und eine darauf aufbauende, zustandsbehaftete Verfeinerung die Rechenressourcen von LLMs effizienter nutzt, um sowohl einfache als auch komplexe Aufgaben optimal zu lösen.
Die NCL-UoR-Studie zu SemEval-2026 Task 5 zeigt, dass strukturierte Prompting-Strategien mit expliziten Entscheidungsregeln für das Bewerten der Plausibilität von Wortbedeutungen in narrativen Kontexten sowohl feinabgestimmte Transformer-Modelle als auch embedding-basierte Ansätze übertreffen und dabei das Prompt-Design wichtiger ist als die reine Modellgröße.
Diese Studie analysiert auf Basis von 172 Milliarden Token die Halluzinationsraten verschiedener LLMs in Dokumenten-Q&A-Szenarien und zeigt, dass die Modellwahl den größten Einfluss hat, während sich die Fehlerquote mit zunehmendem Kontextumfang drastisch erhöht und Hardware-Plattformen kaum eine Rolle spielen.
Die Arbeit stellt AdaCultureSafe vor, ein Framework, das durch die Erstellung eines spezialisierten Datensatzes und eine wissensbasierte Methode die kulturelle Sicherheit von Large Language Models verbessert, indem sie diese explizit mit kulturellem Wissen verknüpft, um deren bisherige mangelnde Korrelation zu überwinden.
Diese Studie untersucht die Eignung von LLMs für die Begutachtung von EPSRC-Förderanträgen durch strukturierte Perturbationen und stellt fest, dass zwar ein abschnittsbasierter Ansatz die beste Leistung zeigt, die Modelle jedoch eine hohe Variabilität aufweisen und sich zu stark auf Compliance-Checks statt auf eine ganzheitliche Bewertung konzentrieren.
Das Paper stellt SBARThez vor, ein multimodales und mehrsprachiges Abstraktions-Summarisierungs-Framework, das vortrainierte Sentence Embeddings und einen Named Entity Injection-Mechanismus nutzt, um faktenkonsistente und präzise Zusammenfassungen für Text- und Sprachdaten zu generieren.
Die Arbeit stellt LAMUS vor, ein groß angelegtes Korpus für das Mining juristischer Argumente aus US-Rechtsprechungen, das mithilfe einer datenzentrischen Pipeline mit LLMs und menschlicher Qualitätskontrolle erstellt wurde, um die Forschung im Bereich Legal NLP voranzutreiben.
Diese Arbeit stellt ein einheitliches Nachtrainierungs-Framework vor, das es einem einzigen Sprach-Grundmodell ermöglicht, durch Erweiterung des bestehenden Paradigmas der kontextuellen Einbettungen mehrere Arten von Äußerungsebenen-Repräsentationen (wie Semantik und Sprecheridentität) gleichzeitig zu erlernen, was sich in verbesserten Leistungen bei mehrsprachiger Sprachsuche und Sprechererkennung zeigt.
Die Arbeit stellt SlowBA vor, einen neuartigen Backdoor-Angriff auf VLM-basierte GUI-Agenten, der durch eine zweistufige Belohnungsinjektion und realistische Trigger-Muster gezielt die Antwortlatenz erhöht, ohne dabei die Aufgabengenauigkeit zu beeinträchtigen.
Das Paper stellt SPD-RAG vor, ein hierarchisches Multi-Agenten-Framework, das komplexe Fragen über viele Dokumente hinweg durch eine spezialisierte, pro Dokument arbeitende Agentenarchitektur und eine zentrale Synthese effizienter und kostengünstiger beantwortet als herkömmliche RAG- oder Long-Context-LLM-Ansätze.