Arbeiten, bei denen die ursprünglichen Autoren unsere verständliche Erklärung begutachtet haben.
Bei jeder Arbeit auf dieser Seite hat mindestens ein/e der ursprünglichen Autor*innen unsere verständliche Erklärung gesehen und begutachtet — entweder durch Bestätigung der Genauigkeit oder durch Korrekturwünsche, die wir anschließend umgesetzt haben. Eine Bestätigung bedeutet keine formelle Freigabe jedes Satzes, aber die Erklärung ist von den Menschen geprüft worden, die das Paper geschrieben haben.
1210 von Autoren geprüfte Arbeiten · 931–940 / 1210
Dieses Positionspapier argumentiert, dass die Toxizitätserkennung weg von der Behandlung von Toxizität als inhärente Eigenschaft isolierten Textes hin zur Messung als kontextuelle kommunikative Schädlichkeit wechseln sollte, wobei das Contextual Stress Framework (CSF) und CSF-Eval eingeführt werden, um besser zu erfassen, wie wahrgenommene Normverletzungen und sozialer Kontext tatsächliche Störungen erzeugen.
Dieser Artikel zeigt, dass für kleine Sprachmodelle (2–3 Milliarden Parameter) eine strukturierte 4-Stufen-Harness-Pipeline die operative Stabilität und den Erfolg bei Aufgaben im Vergleich zu rotem Prompting oder minimalen Wrappern erheblich verbessert, gleichzeitig jedoch aufdeckt, dass unzureichende Gerüststrukturen bei bestimmten Modellen zu einem Zusammenbruch des strukturellen Formats führen können.
Die Arbeit stellt ShapeCodeBench vor, ein erneuerbares synthetisches Benchmark-Verfahren zur Evaluierung von Modellen bei Aufgaben der Rekonstruktion von Programmen aus Wahrnehmung, indem es von diesen verlangt, ausführbare Zeichenprogramme aus gerenderten Bildern zu generieren, und zeigt auf, dass zwar aktuelle multimodale Modelle die Vordergrundstruktur bewahren, jedoch aufgrund kleiner Parameterfehler immer noch Schwierigkeiten mit einer exakten Übereinstimmung haben.
Dieser Beitrag stellt ein neuro-symbolisches Framework vor, das einen GLLM-Generator mit einem Separation-Logic-Verifizierer integriert, um die selbstkorrigierende und kollisionsfreie Erzeugung von G-Code zu ermöglichen, indem logische Beweisfehler in präzise räumliche Direktiven für eine iterative Verfeinerung übersetzt werden.
Dieser Artikel zeigt, dass im semi-klassischen Limit die Energieeigenfunktionen hochangeregter Wasserstoffatome nicht einer einzelnen klassischen Bahn entsprechen, sondern einer gleichgewichtigen Superposition klassischer elliptischer Bahnen mit gleicher Energie und gleichem Drehimpuls, wie die Übereinstimmung der quantenmechanischen und klassischen Wahrscheinlichkeitsverteilungen belegt.
Dieser Artikel zeigt, dass die Einbeziehung eines zeitabhängigen Torsions-Skalars in ein nicht-wechselwirkendes holographisches Dunkle-Energie-Modell mit dem Hubble-Radius als Infrarot-Abschneidung die kosmische Beschleunigung erfolgreich antreibt und eine Zustandsgleichung liefert, die sich von der kosmologischen Konstante unterscheidet, wodurch die in früheren wechselwirkenden Modellen festgestellten Einschränkungen überwunden werden.
Dieser Artikel schlägt ein adaptives Ausführungsframework für World Action Models vor, das einen leichtgewichtigen Future Forward Dynamics Causal Attention-Verifizierer einsetzt, um die Größe von Aktionsblöcken dynamisch auf der Grundlage der Konsistenz zwischen Vorhersage und Realität anzupassen, wodurch sowohl die Effizienz als auch die Erfolgsrate von robotischen Manipulationsaufgaben erheblich verbessert werden.
Dieser Artikel argumentiert, dass bei wirtschaftlichen Reformen, die in Koordinierungsspielen mit einer Trägheit des Status quo konfrontiert sind, Interventionen, die den Handlungsspielraum verändern – etwa durch das Streichen oder Ersetzen von Optionen –, wirksamer sind, um Gleichgewichte zu verschieben, als marginale preisbasierte Anreize, da sie die strategische Struktur grundlegend verändern, anstatt lediglich die Auszahlungen innerhalb eines verfestigten Systems anzupassen.
Dieser Beitrag stellt das Bayes-Faktor-Bayes-Faktor-(BB)-Diagramm vor, ein Diagnosewerkzeug, das die Beziehung zwischen Bayes-Faktoren und deren Verteilungen unter konkurrierenden Hypothesen nutzt, um die Berechnungsgenauigkeit zu validieren und Hintergrundverteilungen effizient zu schätzen, wie anhand von Anwendungen in der Gravitationswellenastronomie einschließlich der Bewertung der statistischen Signifikanz von GW231123 demonstriert wird.
Dieser Artikel leitet mathematisch Skalierungsgesetze und Wechselkurse her, um den Wert von Gehirndaten zur Verbesserung von Machine-Learning-Modellen zu quantifizieren, und identifiziert spezifische Bedingungen hinsichtlich der Ausrichtung von Aufgabe und Gehirn, von Rauschen und Stichprobengrößen, unter denen die Erhebung neuronaler Aufzeichnungen für Leistung und Robustheit vorteilhaft ist.