1723 Arbeiten
HiMAP-Travel ist ein hierarchisches Multi-Agenten-Framework, das durch strategische Ressourcenverteilung, parallele Tagesplanung und einen Transaktionsmonitor langfristige Reiseplanung mit strengen Einschränkungen effizienter und präziser löst als sequenzielle Ansätze.
Die Arbeit stellt \modelname~vor, ein effizientes Framework, das durch Multi-Scale-Selbstinjektion und komprimierte, abfragebewusste Repräsentationen zwei gestapelte Kurzkontext-LLMs nutzt, um das Kontextfenster von 8K auf über 128K Token zu erweitern und dabei gleichzeitig Speicherbedarf und Inferenzzeit im Vergleich zu bestehenden Architekturen signifikant zu reduzieren.
TSEmbed ist ein universelles multimodales Embedding-Framework, das durch die Kombination von Mixture-of-Experts und Low-Rank Adaptation sowie eine neue Expert-Aware Negative Sampling-Strategie Aufgabenkonflikte auflöst und damit den Skalierungseffekt für universelle multimodale Einbettungen ermöglicht.
Dieser technische Bericht stellt ein neues, datenschutzfreundliches Wahrnehmungsframework namens „Privacy-Aware Camera 2.0" vor, das mithilfe des AI-Flow-Paradigmas und einer Edge-Cloud-Architektur Rohbilder am Rand in irreversible abstrakte Merkmalsvektoren umwandelt, um gleichzeitig den Datenschutz zu gewährleisten und eine semantische Verhaltensanalyse sowie eine visuelle Rekonstruktion über eine „dynamische Kontur"-Sprache in der Cloud zu ermöglichen.
Die Arbeit stellt RLSTA vor, eine Reinforcement-Learning-Methode, die die stabilen Fähigkeiten von Modellen bei Einzeldurchläufen als Anker nutzt, um das Phänomen der kontextuellen Trägheit in Multi-Turn-Interaktionen zu überwinden und so eine zuverlässige Selbstkalibrierung bei neuen Informationen zu ermöglichen.
Die vorgestellte Arbeit stellt CSV (Clustering-Sampling-Voting) vor, ein neues Framework, das die Anzahl der LLM-Aufrufe für semantische Filterabfragen durch Clustering, Stichprobenziehung und Abstimmung sublinear reduziert und dabei die Genauigkeit im Vergleich zu bestehenden Methoden erheblich verbessert.
Diese Arbeit führt das Konzept des „Attention Gravitational Field" ein, das Positionscodierungen von semantischen Einbettungen entkoppelt und durch eine empirische Übereinstimmung mit dem Newtonschen Gravitationsgesetz die Architektur von Large Language Models optimiert sowie deren Interpretierbarkeit verbessert.
Die Studie vergleicht ein faktenbasiertes Speichersystem mit Langkontext-LLMs und zeigt, dass während Letztere bei der faktischen Abrufleistung oft überlegen sind, das Speichersystem bei langen Kontexten und vielen Interaktionen aufgrund eines günstigeren Kosten-Nutzen-Verhältnisses eine effiziente Alternative für persistente Agenten darstellt.
Diese Metaanalyse zeigt, dass KI-Modelle beim automatisierten Bewerten von Kurzantworten hinter menschlichen Experten zurückbleiben, wobei die Schwierigkeit für Menschen keine Vorhersagekraft für die KI-Leistung hat, Decoder-Architekturen signifikant schlechter abschneiden als Encoder und zudem Verzerrungen sowie Diskriminierung in Bildungskontexten aufweisen.
Die Arbeit stellt GDS vor, eine Methode zur Erkennung von Vorab-Trainingsdaten in großen Sprachmodellen, die auf der Analyse von Gradientenabweichungen (Magnitude, Lage und Konzentration der Parameteraktualisierungen) basiert und damit bestehende likelihood-basierte Ansätze in Bezug auf Leistung und Übertragbarkeit übertrifft.
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.