1723 Arbeiten
Die Arbeit stellt CTRL-RAG vor, eine neue Reinforcement-Learning-Methode für RAG-Modelle, die durch einen kontrastiven Likelihood-basierten Belohnungsmechanismus die Kontexttreue verbessert und so Halluzinationen reduziert, ohne ausschließlich auf externe Bewertungen angewiesen zu sein.
Die Studie zeigt, dass semantische Auslöser allein ausreichen, um in feinabgestimmten Sprachmodellen eine Kontext-Isolierung schädlichen Verhaltens zu erzeugen, selbst wenn ausschließlich schädliche Trainingsdaten verwendet wurden, was eine kritische Sicherheitslücke für die Bewertung von KI-Modellen aufdeckt.
Diese Arbeit stellt mit „Probing Memes" ein neues Evaluationsparadigma vor, das Large Language Models als Träger kultureller Gene (Memes) betrachtet und durch eine Wahrnehmungsmatrix die komplexen Wechselwirkungen zwischen Modellen und Daten analysiert, um verborgene Fähigkeitsstrukturen und populationsbasierte Verhaltensmerkmale zu quantifizieren, die traditionelle Methoden übersehen.
Die Studie stellt das HUMAINE-Framework vor, das auf der Bewertung von 28 Sprachmodellen durch 23.404 demografisch stratifizierte Teilnehmer basiert, und zeigt auf, dass Gemini 2.5 Pro insgesamt am besten abschneidet, während Präferenzen stark vom Alter abhängen und verschiedene Bewertungskriterien unterschiedlich diskriminierend wirken.
Das Paper stellt SalamahBench vor, ein standardisiertes Sicherheitsbenchmark für arabische Sprachmodelle, das auf 8.170 Prompts basiert und zeigt, dass die Sicherheitsausrichtung aktueller Modelle uneinheitlich ist und spezialisierte Schutzmechanismen erforderlich sind.
Das Paper stellt DynaKV vor, ein nachträglich trainierbares Framework zur tokenweisen adaptiven Kompression des KV-Caches, das durch dynamische Zuweisung von Kompressionsraten je nach semantischer Bedeutung eine signifikante Speichereinsparung bei Erhalt der Generierungsqualität ermöglicht.
Diese Arbeit etabliert eine theoretische Äquivalenz zwischen additiven N-stufigen Markov-Ketten und Ketten mit schrittweiser Gedächtnisfunktion, um die Dimensionalitätsprobleme in Large Language Models zu adressieren und das Konzept der Informationstemperatur auf additive Markov-Prozesse zu erweitern.
Dieser Artikel stellt mit dem Inductive Conceptual Rating (ICR) einen neuen semiotisch-hermeneutischen Bewertungsrahmen vor, der zeigt, dass große Sprachmodelle trotz hoher lexikalischer Ähnlichkeit oft an der semantischen Genauigkeit und kontextuellen Bedeutungserfassung menschlicher Zusammenfassungen scheitern.
Die Studie stellt RoBERTa-OTA vor, ein hybrides Modell, das Transformer-Aufmerksamkeitsmechanismen mit Graph Convolutional Networks und ontologischem Wissen kombiniert, um die Genauigkeit der multiklassigen Hassrede-Erkennung über demografische Kategorien hinweg signifikant zu steigern, ohne dabei die Recheneffizienz nennenswert zu beeinträchtigen.
Die vorgestellte Arbeit führt das „Dual Tuning"-Framework ein, um durch den systematischen Vergleich von Chain-of-Thought- und Direkt-Antwort-Training eine „Denkgrenze" zu definieren, die bestimmt, für welche multimodalen Aufgaben reasoning-basierte Ansätze tatsächlich vorteilhaft sind und somit eine ressourcenschonende, adaptive Trainingsstrategie ermöglicht.
Die Autoren stellen einen Zuverlässigkeits-bewussten Rahmen für schwache Überwachung vor, der Multi-Agenten-LLMs nutzt, um epistemische Signale zu extrahieren und mittels QUBO-basierter Subselektion ausgewogene, redundanzarme Datensätze für die arabische Sentiment-Analyse zu kuratieren, die übertragbare Strukturen erfassen, ohne starke Baselines zu beeinträchtigen.
Diese Studie zeigt, dass die als Richter eingesetzten großen Sprachmodelle selbst bei identischen Eingaben, verschiedenen Temperatursettings und unterschiedlichen Modellfamilien erhebliche Inkonsistenzen bei der Vergabe numerischer Bewertungen aufweisen, was die Zuverlässigkeit und Fairness von automatisierten Evaluierungsprozessen in Produktionsumgebungen in Frage stellt.
Die Studie zeigt, dass Vision-Language-Modelle Affordanzen stark kontextabhängig berechnen, wobei sich sowohl die lexikalische als auch die semantische Darstellung drastisch mit dem Kontext verschieben, was auf die Notwendigkeit dynamischer, abfrageabhängiger Ontologien statt statischer Weltmodelle für die Robotik hindeutet.
Die Studie zeigt, dass gemischte Multi-Agenten-Systeme aus verschiedenen LLM-Anbietern die klinische Diagnose durch das Zusammenführen komplementärer Induktionsverzerrungen signifikant verbessern und dabei die Leistungsfähigkeit homogener Teams übertreffen.
Diese Studie stellt eine compliance-bewusste Self-Instruct-Methode mit Low-Rank Adaptation und einem 26-stufigen Verifikationspipeline vor, um realistische, IMO-SMCP-konforme maritime Funkdialoge zu generieren und so die Datenknappheit für KI-gestützte Sicherheitssysteme zu überwinden.
Die vorgestellte Arbeit führt das „What Is Missing" (WIM)-Bewertungssystem ein, das natürliche Sprachfeedbacks über fehlende Informationen in skalierbare Bewertungen umwandelt, um durch größere Abstufungen und interpretierbare Labels die Effektivität von Präferenzlernverfahren für Large Language Models zu verbessern.
Diese Arbeit bietet eine systematische Analyse und ein konzeptionelles Rahmenwerk für dynamische Routing- und Kaskadierungssysteme, die durch die adaptive Auswahl verschiedener unabhängiger Large Language Models je nach Anfragekomplexität die Inferenzeffizienz optimieren und dabei die Leistungsfähigkeit einzelner Modelle übertreffen können.
Die Arbeit stellt SkillNet vor, eine offene Infrastruktur, die durch die Erstellung, Evaluierung und Vernetzung von über 200.000 KI-Fähigkeiten in einer einheitlichen Ontologie die Leistung von Agenten signifikant steigert und so den Übergang von transienter Erfahrung zu dauerhafter Meisterschaft ermöglicht.
Diese Studie stellt ein umfassendes End-to-End-Framework für die Entwicklung von domänenspezifischen Large Language Models in der Verbrennungswissenschaft vor, das eine multimodale Wissensdatenbank, ein Evaluierungsbenchmark und einen dreistufigen Wissensinjektionspfad kombiniert, um die Grenzen reiner Retrieval-Augmented-Generation zu überwinden und durch strukturierte Wissensgraphen sowie fortgesetztes Pretraining fundierte Modelle zu schaffen.
Die Studie identifiziert und demonstriert eine neue Fehlerart bei multimodalen großen Sprachmodellen, bei der durch die Optimierung auf numerische Instabilität minimal veränderte Bilder erzeugt werden, die zu einer signifikanten Leistungsverschlechterung führen, ohne dass dies durch herkömmliche adversarielle Angriffe erfasst wird.