1153 Arbeiten
Diese Studie zeigt, dass die Anwendung von Coreferenzauflösung in Retrieval-Augmented-Generation-Systemen die Retrieval-Effektivität und die Beantwortungsqualität verbessert, wobei insbesondere kleinere Modelle von der disambiguierten Kontextverarbeitung profitieren.
Diese Studie nutzt Interpretierbarkeitsmethoden, um zu zeigen, wie Large Language Models durch einen neuartigen Mechanismus namens „Funktionsinduktion" generalisieren, bei dem parallele Aufmerksamkeitsköpfe abstrakte Funktionen (wie eine Off-by-One-Addition) lernen und auf diverse neue Aufgaben übertragen.
Diese Arbeit stellt das erste umfassende Benchmark für die Bewertung von Text-Detoxifizierung in neun Sprachen vor und zeigt, dass neuartige Metriken, darunter LLM-basierte Ansätze, eine deutlich höhere Übereinstimmung mit menschlichen Urteilen erzielen als bisherige Methoden.
Die Arbeit stellt Text2VLM vor, eine neuartige Pipeline, die Text-only-Datensätze in multimodale Formate umwandelt, um die Anfälligkeit von Visual Language Models für typografische Prompt-Injection-Angriffe zu bewerten und damit kritische Sicherheitslücken sowie die Überlegenheit geschlossener Modelle aufzuzeigen.
Das Paper stellt WebDS vor, das erste End-to-End-Benchmark für webbasierte Datenwissenschaft, das 870 komplexe Aufgaben über 29 verschiedene Websites umfasst und dabei erhebliche Leistungslücken zwischen aktuellen KI-Agenten und menschlicher Performance aufzeigt.
Das Paper stellt SEVADE vor, ein neuartiges Framework mit selbstentwickelnden Multi-Agenten und entkoppelter Bewertung, das durch eine dynamische Reasoning-Engine und einen separaten Adjudikator Halluzinationen reduziert und bei der Sarkasmuserkennung neue State-of-the-Art-Ergebnisse erzielt.
Die Studie stellt ObfusQAte und das darauf aufbauende Framework ObfusQA vor, um die Robustheit von Large Language Models bei der Beantwortung von Fragen mit mehrstufiger Verschleierung zu evaluieren und dabei festzustellen, dass Modelle bei solchen nuancierten Variationen häufig versagen oder Halluzinationen produzieren.
Das Paper stellt MultiWikiQA vor, ein Leseverstehens-Benchmark mit über 1,2 Millionen Frage-Antwort-Paaren in 306 Sprachen, der durch LLM-generierte und umformulierte Inhalte aus Wikipedia-Artikeln erstellt wurde und durch menschliche Evaluierung sowie Tests verschiedener Sprachmodelle seine hohe Qualität und Schwierigkeit unter Beweis stellt.
Die Autoren stellen einen leichten Token-Pruning-Ansatz vor, der durch eine binäre Klassifikation und eine Max-Pooling-Verfeinerung nicht-informative Hintergrundbereiche aus Dokumentenbildern filtert, um die Rechenkosten von Vision-Language-Modellen bei der Dokumentenanalyse erheblich zu senken, ohne die Genauigkeit zu beeinträchtigen.
Die Arbeit stellt mit StaR eine multimodale Reasoning-Methode vor, die die Zuverlässigkeit von GUI-Agenten bei der Ausführung von Toggle-Befehlen durch die Identifikation des aktuellen Zustands signifikant verbessert und gleichzeitig die allgemeine Leistung in agenticen Aufgaben steigert.
Diese Arbeit stellt das „Contextualized Argument Appraisal Framework" vor, das psychologische Bewertungsmodelle auf das Argument-Mining überträgt, um durch eine neuartige rollenspielerische Annotation die subjektive Überzeugungskraft von Argumenten in Abhängigkeit von Emotionen und individuellen Faktoren wie Bekanntheit zu analysieren.
Die Autoren stellen einen neuartigen, nicht-kollaborativen Benutzersimulator vor, der vier Kategorien schwieriger Verhaltensweisen nachahmt, um Tool-Agenten robuster zu machen und deren Schwächen bei realen, unkooperativen Interaktionen aufzudecken.
Die Arbeit stellt mit PDR-Bench den ersten Benchmark zur Evaluierung personalisierter Deep-Research-Agenten vor, der 250 realistische Nutzer-Aufgaben-Paare mit einem neuen Bewertungsrahmen kombiniert, um Personalisierung, Inhaltsqualität und faktische Zuverlässigkeit zu messen.
Die Arbeit stellt GraphMERT vor, ein effizientes, kleines neuronales Modell, das zuverlässige, faktenbasierte und ontologisch konsistente Wissensgraphen aus unstrukturierten Texten ableitet und dabei die Zuverlässigkeit und Skalierbarkeit bestehender Neurosymbolischer Ansätze sowie die Leistungsfähigkeit großer Sprachmodelle übertrifft.
Diese Arbeit stellt ein neuartiges geometrisches Rahmenwerk vor, das das logische Denken von Large Language Models als glatte Flüsse im Repräsentationsraum modelliert und zeigt, dass diese Modelle logische Invarianten unabhängig von ihrer Architektur verinnerlichen, was die These der „stochastischen Papageien" widerlegt.
Die Arbeit stellt WeightLens und CircuitLens vor, zwei komplementäre Methoden, die über eine reine Aktivierungsanalyse hinausgehen, indem sie Merkmale direkt aus Gewichten ableiten bzw. deren Interaktionen untersuchen, um die Skalierbarkeit und Robustheit der mechanistischen Interpretierbarkeit von neuronalen Netzen zu verbessern.
Die Arbeit stellt COGS vor, ein dateneffizientes Framework, das durch die Zerlegung von Seed-Fragen in primitive Faktoren und deren systematische Neukombination mit synthetischen Bildern große Mengen an Trainingsdaten für das visuelle Schlussfolgern von Multi-modalen Large Language Models generiert und so deren Leistungsfähigkeit insbesondere bei komplexen, zusammengesetzten Aufgaben erheblich steigert.
Die Arbeit stellt EliCal, ein zweistufiges Framework zur annotierungseffizienten Ausrichtung von Large Language Models auf Ehrlichkeit, und das zugehörige HonestyBench-Benchmark vor, die es ermöglichen, mit nur minimalen manuellen Korrektheits-Annotationen eine universelle Vertrauenskalibrierung zu erreichen.
Diese Arbeit stellt mit CITECONTROL ein Benchmark zur Analyse von Zitationsfehlern in RAG-Systemen vor und schlägt das Framework CITENTION vor, um diese durch die Kombination generativer, aufmerksamkeitsbasierter und suchbasierter Methoden effizient zu beheben.
Die Arbeit stellt REVISION vor, ein Framework, das durch die Kombination von offline-gestützter Implizit-Intent-Mining mit großen Modellen und einer online-optimierten Entscheidungsfindung die Diskrepanz zwischen Nutzerabsicht und Suchsystem in Taobos visuellen Suchsystemen adressiert und so die Nicht-Klick-Rate signifikant senkt.