7103 Arbeiten
Das Paper stellt MJ1 vor, einen multimodalen Richter mit 3 Milliarden Parametern, der durch verstärkendes Lernen, eine strukturierte visuelle Verifikationskette und einen Gegenfaktisch-Konsistenz-Preis trainiert wird, um die Genauigkeit auf dem MMRB2-Datensatz signifikant zu steigern und dabei deutlich größere Modelle wie Gemini-3-Pro zu übertreffen.
Die Arbeit stellt SmartThinker vor, eine effiziente Methode zur Kalibrierung der Chain-of-Thought-Länge bei Large Reasoning Models, die durch dynamische Anpassung der Belohnungsfunktion während des Trainings die Antwortlänge signifikant reduziert und gleichzeitig die Genauigkeit auf komplexen Benchmarks verbessert.
Die Autoren stellen einen lernbasierten Ansatz namens „amortized MIPS" vor, der neuronale Netze (SupportNet und KeyNet) nutzt, um die Maximum Inner Product Search durch die Approximation der konvexen Support-Funktion zu beschleunigen und dabei die optimalen Schlüsselvektoren entweder über Gradientenberechnung oder direkte Regression vorherzusagen.
Das Papier stellt FedMomentum vor, ein neuartiges Framework für das federierte Fine-Tuning von LLMs mit LoRA, das durch mathematisch korrekte Aggregation und SVD-basierte Rekonstruktion den Trainingsmomentum erhält und so die Konvergenzgeschwindigkeit sowie die Endgenauigkeit im Vergleich zu bestehenden Methoden verbessert.
Die Arbeit stellt CAMEL vor, eine kapazitätsbewusste Mischungsgesetzgebung, die durch effiziente Skalierungsexperimente und Vorhersagemodelle die Optimierung von Datenmischungen für große Sprachmodelle kostengünstiger und leistungsfähiger macht.
Die Arbeit stellt GCGNet vor, ein graphenbasiertes generatives Netzwerk, das durch die Kombination von Variationsgenerierung, Graph-Strukturausrichtung und Graphenverfeinerung robuste und präzise Zeitreihenvorhersagen unter Einbeziehung exogener Variablen ermöglicht und dabei gleichzeitig zeitliche und kanalübergreifende Korrelationen gemeinsam modelliert.
Die Arbeit stellt CDRRM vor, ein neuartiges Framework, das durch kontrastive Profilierung und Synthese hochwertige Rubriken generiert, um Reward-Modelle für Large Language Models interpretierbarer, bias-resistenter und dateneffizienter zu gestalten.
Die Arbeit stellt SFed-LoRA vor, einen stabilisierten Rahmen für das Federated Fine-Tuning mit LoRA, der durch die Herleitung eines optimalen Skalierungsfaktors die Instabilität und den Gradienten-Kollaps bei hohen Rängen und vielen Clients effektiv verhindert.
Diese Studie stellt ein tiefes Lern-Framework zur adversariellen Domänenanpassung vor, das durch den Erwerb eines domäneninvarianten latenten Raums eine effektive Wissensübertragung von großen auf kleine RNA-Seq-Datensätze ermöglicht und so die Genauigkeit der Krebs- und Gewebetypklassifizierung insbesondere bei Datenknappheit verbessert.
Die Arbeit stellt die deterministische differenzierbare strukturierte Pruning-Methode (DDP) vor, die durch die direkte Optimierung eines deterministischen Surrogats für die l0-Sparsity-Stochastik vermeidet, train-test-Diskrepanzen reduziert und bei großen Sprachmodellen wie Qwen3 eine signifikant schnellere Konvergenz sowie geringere Leistungsverluste bei hoher Sparsamkeit ermöglicht.
Diese Arbeit stellt ein hybrides Quanten-Klassisches-Neurales-Netzwerk vor, das einen GRU-Encoder mit einer Variational Quantum Circuit-Schicht kombiniert, um multivariate physiologische Zeitreihen in klinischen Szenarien robuster und präziser vorherzusagen als rein klassische Basismodelle.
Die Studie stellt fest, dass die Einführung einer autorekursiven TRM-Architektur bei kleinen Modellen keine zuverlässigen Leistungsverbesserungen gegenüber herkömmlichen Transformern bietet, obwohl bestimmte Zwei-Schritt-Verfeinerungsmechanismen im Allgemeinen vielversprechend erscheinen.
Das Paper stellt EAGLE-Pangu vor, ein reproduzierbares System, das die baumstrukturierte spekulative Decodierung auf Ascend NPUs portiert und durch einen expliziten Cache-Manager sowie accelerator-sichere Tensor-Operationen die End-to-End-Durchsatzrate im Vergleich zur reinen Lehrmodell-Decodierung signifikant steigert.
Die Arbeit stellt das DC-W2S-Framework vor, das durch die Kombination von Selbst- und Nachbarschaftskonsens schwache, verrauschte Überwachungssignale filtert, um zuverlässige Prozess-Belohnungsmodelle für biologische Schlussfolgerungen ohne exhaustive Expertenannotation zu trainieren.
Diese Studie zeigt, dass durch steganografisches Feintuning große Sprachmodelle so manipuliert werden können, dass sie hinter harmlos erscheinenden Antworten versteckte schädliche Inhalte generieren, wobei diese bösartigen Ausgaben von Sicherheitsfiltern und menschlichen Beobachtern unbemerkt bleiben.
Das Paper stellt Tau-BNO vor, ein neuronales Operator-Modell, das als schneller Surrogat-Ansatz für das komplexe Network Transport Model dient, um die Ausbreitung von Tau-Proteinen im Gehirn mit hoher Genauigkeit und deutlich reduzierter Rechenzeit zu simulieren und so neue biophysikalische Erkenntnisse zu ermöglichen.
Die Arbeit stellt ROMI vor, einen neuen Offline-RL-Ansatz, der durch robustes, wertbewusstes Modelllernen und implizit differenzierbare adaptive Gewichtung die Überkonservativität und Instabilität bestehender Methoden wie RAMBO überwindet und so eine überlegene Leistung auf Standard-Datasets erzielt.
Der Artikel stellt SaiVLA-0 vor, ein rechnerbewusstes Vision-Language-Action-Modell, das durch eine neurowissenschaftlich inspirierte Dreiteilung aus Cerebrum, Pons und Cerebellum sowie eine foveierte Blicksteuerung effizientere und stabilere Robotersteuerung ermöglicht.
Der Artikel stellt FoleyFlow vor, ein neues Modell zur koordinierten Video-zu-Audio-Generierung, das durch einen Maskierungsansatz zur semantischen und rhythmischen Ausrichtung sowie einen dynamischen bedingten Fluss für eine zeitlich präzise Synchronisation übertrifft bestehende Methoden.
Die Arbeit stellt einen leichten Nachbearbeitungsrahmen vor, der Unsicherheit in aleatorische und epistemische Komponenten zerlegt, um robotische Manipulation und adaptive Wahrnehmung durch unsicherheitsgesteuerte, komponentenspezifische Eingriffe zu verbessern.