1059 Arbeiten
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 DEO vor, eine trainingsfreie Methode zur direkten Optimierung von Embeddings, die die Genauigkeit von Suchanfragen mit Negationen und Ausschlüssen in Text- und Multimodal-Retrievalsystemen ohne zusätzliche Trainingsdaten oder Modell-Updates signifikant verbessert.
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 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 Arbeit stellt SPAR-K vor, einen modalspezifischen Early-Exit-Rahmen für interleaved gesprochene Sprachmodelle, der durch einen alternierenden Tiefenplan mit periodischen Volltiefen-Schritten die Inferenzgeschwindigkeit signifikant steigert, ohne dabei die akustische Qualität oder die Antwortgenauigkeit merklich zu beeinträchtigen.
Das Paper stellt LooComp vor, einen effizienten, auf einem Encoder-only Transformer basierenden Ansatz, der mittels einer Leave-One-Out-Strategie und eines margin-basierten Trainings kritische Sätze für die kontextbasierte Beantwortung von Fragen identifiziert, um die Genauigkeit und Skalierbarkeit von Retrieval-Augmented-Generation bei gleichzeitig reduzierten Kosten und Speicherbedarf zu verbessern.
Diese Studie analysiert systematisch vier Kontrastive-Decoding-Strategien für Large Audio Language Models, identifiziert Audio-Aware und Audio Contrastive Decoding als effektivste Methoden und stellt mittels eines Übergangsmatrix-Rahmens fest, dass diese zwar Unsicherheiten und falsche Audio-Negationen korrigieren, aber keine fehlerhaften Schlussfolgerungen beheben können, wodurch sich Leitlinien für die architekturspezifische Eignung ergeben.
Diese Arbeit stellt AgentGEO vor, ein agentic System, das mithilfe einer neuen Taxonomie von Zitierfehlern gezielt Inhalte optimiert und so die Zitierquote um über 40 % steigert, während es gleichzeitig die Grenzen generischer Optimierungsansätze für die gerechte Sichtbarkeit aufzeigt.
Die Arbeit stellt TA-Mem vor, ein neuartiges, tool-augmentiertes Framework für autonome Gedächtnisabrufe in großen Sprachmodellen, das durch adaptive Extraktion, eine multi-indexierte Datenbank und einen selbstständigen Abruf-Agenten die Flexibilität und Leistung bei langfristigen konversationellen Frage-Antwort-Aufgaben im Vergleich zu bestehenden Ansätzen signifikant verbessert.
Die Arbeit stellt TaSR-RAG vor, ein taxonomiegestütztes Framework für die strukturierte Beweisfindung, das komplexe Fragen in geordnete Tripel-Subabfragen zerlegt und durch hybrides Matching sowie eine explizite Entitätsbindung die Genauigkeit und Nachvollziehbarkeit von Retrieval-Augmented-Generation-Systemen bei Multi-Hop-Fragestellungen signifikant verbessert.
Die Studie zeigt, dass durch die Nutzung von Large Language Models zur Generierung von Labels die Topological Relations Picture Series (TRPS) um 42 neue Szenen erweitert werden kann, um eine bessere Abdeckung des Raums möglicher Szenen zu erreichen und die Skalierung auf Datensätze mit vielen Sprachen und Hunderten von Szenen zu ermöglichen.
Die Arbeit stellt StateFactory vor, eine Methode zur Umwandlung unstrukturierter Beobachtungen in hierarchische Objekt-Attribut-Strukturen mittels Sprachmodelle, die eine generalisierbare Belohnungsvorhersage durch semantische Ähnlichkeitsmessung ermöglicht und dadurch die Planungsleistung von Agenten in verschiedenen Domänen signifikant verbessert.
Die Arbeit stellt „LLM as a Meta-Judge" vor, ein skalierbares Framework, das mittels kontrollierter semantischer Degradation realer Daten durch LLMs synthetische Evaluierungsdatensätze generiert und damit eine zuverlässige, kosteneffiziente Alternative zur menschlichen Validierung von NLG-Metriken bietet, die in multilingualen Szenarien eine Übereinstimmung von über 0,9 mit menschlichen Benchmarks erreicht.
Diese Studie untersucht, wie Large Language Models in französischen Patientenakten geschlechtsspezifische Stereotype im Kontext sozialer Gesundheitsdeterminanten reproduzieren und schlägt vor, Wechselwirkungen zwischen diesen Faktoren in die Bias-Bewertung aufzunehmen.
Die Studie CoMoral zeigt, dass aktuelle Large Language Models moralisches Denken oft über das gesunden Menschenverstand stellen und dabei eine narrative Verzerrung aufweisen, bei der sie logische Widersprüche eher bei Nebenfiguren als bei der Hauptfigur erkennen.
Die Arbeit stellt CyberThreat-Eval vor, ein neuartiges, von Experten annotiertes Benchmark, das auf realen CTI-Arbeitsabläufen basiert und die Grenzen aktueller LLMs bei der Automatisierung von Threat-Intelligence-Forschung durch praxisnahe Aufgaben und analystenzentrierte Metriken aufzeigt.
Die Studie zeigt, dass ein stochastisches Modell der phonologischen Evolution, das funktionale Last und eine Tendenz zu einer bevorzugten Inventargröße berücksichtigt, die beobachteten statistischen Regularitäten von Phonemfrequenzen und die Beziehung zwischen Inventargröße und relativer Entropie als natürliche Folge historischer Sprachveränderungen erklären kann.
Die Studie zeigt, dass Sprachmodelle durch das Training auf semantisch treuen Umschreibungen subliminal Präferenzen von einem Lehrermodell übernehmen können, selbst wenn der Inhalt diese Präferenzen explizit widerspricht, was die Wirksamkeit rein inhaltsbasierter Sicherheitsfilter in Frage stellt.
Diese Studie stellt eine Methode vor, bei der Large Language Models genutzt werden, um Fakenews-Entlarvungen basierend auf den Big-Five-Persönlichkeitseigenschaften zu personalisieren und deren Wirksamkeit durch automatische Evaluierung zu bestätigen, wobei sich zeigt, dass solche maßgeschneiderten Botschaften überzeugender sind, gleichzeitig aber ethische Bedenken aufwerfen.
Die Arbeit stellt ALARM vor, ein 4-Milliarden-Parameter-Audio-Sprachmodell, das durch einen neuartigen Selbst-Umschreibungsansatz, die Fusion mehrerer Audio-Encoder und ein umfangreiches Multi-Task-Trainingskorpus die Herausforderungen der Audio-Sprach-Ausrichtung bei Reasoning-Modellen löst und dabei neue State-of-the-Art-Ergebnisse auf Audio-Reasoning-Benchmarks erzielt.