1714 Arbeiten
Die Arbeit stellt NOBLE vor, eine Architektur-Erweiterung für Transformer, die permanente nichtlineare Low-Rank-Branches in die linearen Schichten integriert, um das Training von Grund auf zu beschleunigen und dabei die Effizienz bei minimalen Parameter- und Zeitkosten signifikant zu steigern.
Die Arbeit stellt COLD-Steer vor, ein trainingsfreies Framework, das Large Language Models durch die Approximation von In-Context-Lern-Dynamiken steuert und dabei eine hohe Wirksamkeit bei nur einem Bruchteil der bisher benötigten Beispielmengen erreicht.
Das Paper stellt BRTR vor, ein multimodales Agenten-Framework, das durch iterative Werkzeugaufrufe und Retrieval die zuverlässige Analyse und Bearbeitung komplexer Enterprise-Spreadsheets ermöglicht und dabei den aktuellen Stand der Technik in mehreren Benchmarks deutlich übertrifft.
Diese Arbeit stellt ein multilinguales, kontextbewusstes ASR-Framework vor, das durch kontrastives Lernen eine prinzipielle Ausrichtung von Sprach- und Kontextrepräsentationen ermöglicht und so die Transkriptionsqualität über 11 Sprachen und 5 Dialekte hinweg signifikant verbessert.
Dieser Beitrag beschreibt die Teilnahme des KCLarity-Teams an SemEval-2026 Task 6, bei der Encoder- und Zero-Shot-Ansätze zur Erkennung politischer Ausweichmanöver verglichen wurden und sich RoBERTa-large sowie GPT-5.2 als die jeweils besten Modelle für öffentliche und versteckte Testdaten erwiesen.
Die Autoren stellen EHRSQL vor, ein neues Text-to-SQL-Datenset für elektronische Patientenakten, das auf Umfragen mit Krankenhausmitarbeitern basiert und als praktischer Benchmark dient, um Modelle für komplexe Abfragen, Zeitverständnis und die Unterscheidung beantwortbarer Fragen in der Gesundheitsversorgung zu entwickeln und zu bewerten.
Die vorgestellte Arbeit zeigt, dass durch das Hinzufügen eines einfachen Prompts, der das Generieren einer korrekten und einer falschen Antwort verlangt, große Sprachmodelle ihre Fähigkeit zur komplexen logischen Schlussfolgerung erheblich verbessern und dabei bestehende Zero-Shot- und Few-Shot-Methoden in verschiedenen Aufgabenbereichen übertreffen.
Das INMS-Framework überwindet die Einschränkungen isolierter LLM-Agenten durch ein asynchrones Paradigma des gemeinsamen Gedächtnisses, das Echtzeit-Austausch und kollektive Selbstverbesserung in Multi-Agenten-Systemen ermöglicht.
Das Paper stellt EasyAnimate vor, ein hocheffizientes Framework zur Videogenerierung auf Basis von Diffusion-Transformern, das durch Hybrid-Fenster-Attention, Reward-Backpropagation und optimierte Trainingsstrategien sowohl die Geschwindigkeit als auch die Qualität der Videoerstellung verbessert und dabei State-of-the-Art-Ergebnisse erzielt.
Diese Arbeit stellt ein neuartiges, parametrenfreies Heuristikverfahren für das als NP-vollständig bewiesene Problem der Vektorretrieval mit Ähnlichkeit und Vielfalt (VRSD) vor, das die Leistung bestehender Methoden wie MMR und k-DPP in wissenschaftlichen QA-Aufgaben übertrifft.
Die Studie zeigt, dass ein Retrieval-Augmented-Generation-fähiges Large Language Model (NotebookLM) bei der Stadieneinteilung von Bauchspeicheldrüsenkrebs durch den Zugriff auf externe Leitlinien eine deutlich höhere Genauigkeit und Transparenz erreicht als das zugrundeliegende Modell ohne diese Funktion.
Diese Arbeit stellt einen Logic-Augmented-Generation-Ansatz vor, der semantische Wissensgraphen mit Prompt-Heuristiken kombiniert, um implizite analoge Verbindungen in multimodalen Daten zu extrahieren und damit die metaphorische Erkennung und Erklärungsfähigkeit über den aktuellen Stand der Technik hinaus zu verbessern.
Diese Studie stellt einen halbautomatischen Workflow zur Bewertung der wissenschaftlichen Genauigkeit von Klimanachrichten mittels LLM-basiertem Statement-Extraktion und Wissensgraphen-Analyse vor, stellt jedoch fest, dass die derzeitige Infrastruktur für Ground-Truth-Wissen und die Skalierbarkeit noch unzureichend sind, um eine umfassende faktenbasierte öffentliche Debatte zu unterstützen.
Die Studie stellt MiCo vor, ein hierarchisches Framework auf Basis von Sprachagenten, das durch die Kombination von Option-Mining und -Komposition mittels Large Language Models eine robuste und generalisierbare Lösung für das komplexe Problem des dynamischen virtuellen Maschinen-Schedulings in Cloud-Umgebungen bietet.
Die Studie stellt mit „CausalPitfalls" ein umfassendes Benchmark vor, das die Fähigkeit von Large Language Models zur zuverlässigen kausalen Inferenz unter Berücksichtigung statistischer Fallstricke wie Simpson-Paradoxon und Selektionsverzerrung rigoros evaluiert und dabei erhebliche Defizite aktueller Modelle aufzeigt.
Das Paper stellt ShIOEnv vor, eine Gymnasium-kompatible Bash-Umgebung, die durch grammatikbasierte Einschränkung der Argumentkonstruktion und ein selbstüberwachtes Irreduzibilitätssignal 2,1 Millionen Eingabe-Ausgabe-Paare generiert, um Modelle zur Vorhersage von CLI-Ausführungsverhalten präziser zu trainieren.
Die Arbeit stellt SealQA vor, einen neuen Benchmark zur Bewertung von Suchmaschinen-gestützten Sprachmodellen bei faktischen Fragen mit widersprüchlichen oder unzuverlässigen Suchergebnissen, der zeigt, dass selbst fortschrittliche Modelle in der Lage sind, bei solchen Aufgaben nur sehr begrenzte Genauigkeit zu erreichen.
Das Paper stellt LUCIFER vor, ein Inferenz-basiertes Middleware-System, das durch einen Signal-Vertrag natürliche Sprachupdates in entkoppelte, entscheidungsrelevante Signale übersetzt, um die Diagnosefähigkeit zu verbessern und die Sicherheit sowie Effizienz autonomer Systeme in dynamischen Umgebungen wie der Suche und Rettung zu erhöhen.
Die Studie stellt EDINET-Bench vor, einen Open-Source-Benchmark auf Basis japanischer Jahresabschlüsse, der zeigt, dass selbst fortschrittliche Large Language Models bei komplexen Finanzaufgaben wie der Betrugserkennung nur marginal besser abschneiden als einfache logistische Regressionen und somit einen Bedarf an realistischeren, unterstützenden Evaluierungsrahmen aufzeigen.
Die Studie zeigt, dass Reinforcement Fine-Tuning (RFT) im Gegensatz zum überwachten Fine-Tuning (SFT) das Vorwissen von multimodalen Sprachmodellen besser erhält, da die Trainingsdaten eine geringere Störung der ursprünglichen Wahrscheinlichkeitsverteilung verursachen und somit katastrophales Vergessen verhindern.