1080 Arbeiten
Diese Studie stellt einen neuartigen Ansatz zur gleichzeitigen Erfassung von Echtzeit-MRT, EEG und Oberflächen-EMG vor, der durch eine maßgeschneiderte Artefaktunterdrückung erstmals eine umfassende Analyse der neuronalen, muskulären und artikulatorischen Prozesse der Sprachproduktion ermöglicht.
Diese Arbeit beweist durch eine Gradientenanalyse, dass herkömmliche RLHF-Sicherheitsausrichtungen aufgrund des Verschwindens von Gradienten nach dem Zeitpunkt der Schadensentscheidung inhärent oberflächlich bleiben, und schlägt ein neues Ziel mit Wiederherstellungsstrafen vor, um eine durchgängige Signalgebung über den gesamten Text zu ermöglichen.
Die Studie stellt SinhaLegal vor, ein umfassendes Korpus aus etwa 2 Millionen Wörtern in 1.206 singhalesischen Gesetzestexten, das durch OCR und manuelle Aufbereitung erstellt wurde und als wichtige Ressource für NLP-Aufgaben wie Informationsextraktion und Analyse im singhalesischen Rechtsbereich dient.
Das Paper stellt HACHIMI vor, ein skalierbares Multi-Agenten-Framework, das mithilfe eines Propose-Validate-Revise-Prozesses und neuro-symbolischer Validierung eine Million theoretisch fundierte und demografisch kontrollierte Schüler-Personas für die Bildungsforschung generiert, wobei die Evaluation eine hohe Übereinstimmung in mathematischen und motivationsbezogenen Konstrukten, aber eine moderate Übereinstimmung bei Klassenklima und Wohlbefinden im Vergleich zu realen menschlichen Daten zeigt.
Das Paper stellt FireBench vor, einen neuen Benchmark mit über 2.400 realen Unternehmens- und API-Szenarien, der die Einhaltung von Anweisungen durch 11 große Sprachmodelle in sechs Kernbereichen bewertet, um die Lücke zwischen aktuellen Chat-Assistenten-Benchmarks und den Anforderungen von Unternehmensanwendungen zu schließen.
Die Autoren stellen eine trainingfreie und kostengünstige Methode vor, die durch sequenzielle Abstoßung von Proben im Merkmalsraum die Diversität und Pass@-Leistung von Diffusionssprachmodellen bei Aufgaben wie Code- und Mathematikgenerierung signifikant verbessert.
Die Studie zeigt, dass große Sprachmodelle zwar in der Lage sind, menschliche Experten bei der Identifizierung von Werten in ethnografischen Interviews in Bezug auf Mengenkennzahlen zu erreichen, jedoch in der genauen Rangfolge und der Nachbildung von Unsicherheitsmustern hinterherhinken, wobei Ensemble-Methoden die Leistung verbessern und bestimmte Modelle wie Qwen eine besonders gute Übereinstimmung aufweisen.
Die Studie zeigt, dass Sicherheitsinterventionen in großen Sprachmodellen in 16 Sprachen zu einem „Alignment-Backfire" führen können, bei dem die in englischen Modellen erreichte Sicherheit in anderen Sprachen wie Japanisch durch eine kulturell und linguistisch bedingte Umkehrung in kollektive Pathologie und innere Dissociation umschlägt.
Dieser Beitrag stellt einen neuartigen, agentic LLM-Pipeline für die SemEval-2026 Task 10 vor, der durch eine entkoppelte Architektur mit Dynamic Discriminative Chain-of-Thought und einer „Anti-Echo Chamber"-Struktur sowohl psycholinguistische Verschwörungsmarker extrahiert als auch Verschwörungsunterstützung erkennt und dabei signifikante Verbesserungen gegenüber dem Baseline-Modell erzielt.
In diesem Papier stellt das AILS-NTUA-Team sein System für die SemEval-2026-Aufgabe 3 vor, das durch eine effiziente Kombination aus feingetunten Encoder-Modellen für die Sentiment-Regression und loRA-basiertem Instruction-Tuning von Large Language Models für die Extraktion von Tripletts und Quadrupletts eine leistungsstarke, ressourcenschonende Lösung für multidimensionale aspektbasierte Sentimentanalyse in mehreren Sprachen und Domänen bietet.
Diese Arbeit stellt einen neuen Ansatz zur heterogenen Optimierung von Sprachmodellen im hybriden automatischen Spracherkennungssystem vor, der durch einen „Match-and-Merge"-Paradigma mit einem verstärkten Lernalgorithmus (RMMA) eine effiziente, datenschutzkonforme Zusammenführung dezentraler Modelle ermöglicht und dabei die Genauigkeit sowie Konvergenzgeschwindigkeit im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Arbeit stellt LocalSUG vor, ein geographisch bewusstes LLM-Framework für die Suchvorschlagsgenerierung in lokalen Dienstleistungsplattformen, das durch stadtbezogene Kandidatengewinnung, einen beam-search-basierten GRPO-Algorithmus zur Reduzierung von Exposure-Bias und Latenzoptimierungstechniken die Klickrate um 0,35 % steigert und die Rate an nicht gefundenen Ergebnissen um 2,56 % senkt.
Die Arbeit stellt TimeWarp vor, einen Benchmark zur Evaluierung der Robustheit von Web-Agenten gegenüber sich wandelnden Web-Designs, und schlägt mit TimeTraj einen effizienten Algorithmus vor, der durch Plan-Distillation über mehrere UI-Versionen hinweg die Leistungsfähigkeit dieser Agenten signifikant steigert.
Das Paper stellt VisionPangu vor, einen kompakten 1,7-Milliarden-Parameter Multimodal-Assistenten, der durch die Kombination eines InternVL-basierten Vision-Encoders mit dem OpenPangu-Sprachmodell und feinkörniger menschlicher Supervision aus dem DOCCI-Datensatz detaillierte Bildbeschreibungen erzeugt, ohne auf massive Skalierung angewiesen zu sein.
Die Studie zeigt, dass das Wiederholen von generischen Vorab-Trainingsdaten während des Feinabstimmungsprozesses die Leistung auf spezifischen Zielaufgaben verbessert und die Daten-Effizienz sowie die Genauigkeit in praktischen Anwendungen signifikant steigert.
Die Studie zeigt, dass die Kombination aus schwachen Sprachmodellen und einem neuartigen Vertrauens-gewichteten Optimierungsansatz (CW-PO) die Kosten für die Ausrichtung an menschlichen Präferenzen drastisch senken und dabei sogar die Leistung von Modellen übertreffen kann, die ausschließlich auf vollständigen menschlichen Annotationen trainiert wurden.
Die Autoren stellen MPCEval vor, ein umfassendes Benchmark- und Evaluierungsframework, das die Qualität der Generierung von Mehrparteienkonversationen durch maßgeschneiderte, referenzfreie Metriken für Sprechermodellierung, Inhaltsqualität und Konsistenz bewertet und dabei zeigt, dass herkömmliche Ein-Score-Bewertungen wesentliche Unterschiede im konversationellen Verhalten verschleiern.
Die Arbeit stellt Mixture of Universal Experts (MOUE) vor, eine Verallgemeinerung von Mixture-of-Experts-Modellen, die durch die Einführung einer „virtuellen Breite" mittels wiederverwendeter, schichtübergreifender Expertenpools die Skalierbarkeit verbessert und dabei spezifische Herausforderungen wie Routing-Komplexität und Lastverteilung durch innovative Topologien und Router-Mechanismen adressiert.
Diese Arbeit schlägt eine funktionale Methode zum Zusammenführen von LLMs vor, die den Fisher-Rao-Manifold nutzt, um die Limitierungen euklidischer Parameter-Space-Ansätze zu überwinden und stabile, hochwertige Modelle auch bei der Kombination heterogener Experten zu gewährleisten.
Die Arbeit stellt VRM (Variational Reward Modeling) vor, ein neuartiges Framework, das durch die explizite Modellierung von menschlichen Präferenzurteilen mittels latenter Variablen für hochdimensionale Zielgewichte und niedrigdimensionale semantische Merkmale die Probleme des Reward Hacking überwindet und eine engere Generalisierungsgrenze sowie eine überlegene Leistung bei der Erfassung authentischer menschlicher Präferenzen im Vergleich zu bestehenden Methoden erreicht.