13489 papers
Dit paper introduceert Omanic, een nieuw dataset- en benchmarkkader voor open-domein multi-hop vragen die stapsgewijze redeneerprocessen evalueren en waarvoor fijnafstemming aanzienlijke prestatieverbeteringen oplevert op diverse redeneer- en wiskundetaken.
Dit onderzoek toont aan dat het door taalmodellen fijnafstemmen op institutionele publicatiebeslissingen een 'wetenschappelijke smaak' oplevert die zowel geavanceerde modellen als menselijke experts overtreft bij het beoordelen van de kwaliteit van ongeteste ideeën.
Dit onderzoek toont aan dat het gebruik van taalkundig verwante pivottalen en few-shot voorbeelden voor on-the-fly aanpassing van grote taalmodellen in low-resource vertaalsituaties slechts beperkte en inconsistente verbeteringen oplevert, afhankelijk van de representatie van de doeltaal en de constructie van de voorbeelden.
Dit artikel analyseert organische interacties in ecosystemen van AI-agenten om inzicht te krijgen in dynamieken zoals wederzijdse scaffolding en peer-learning, die kunnen worden gebruikt om het ontwerp van multi-agent educatieve systemen en de mens-AI-partnerschap te verbeteren.
Kestrel is een trainingsvrij kader dat hallucinaties in grote visueel-taalmodellen vermindert door een agent voor visuele gronding te combineren met een mechanisme voor zelfverfijning op basis van bewijs, wat leidt tot aanzienlijk betere prestaties en transparante verificatietraces.
Dit paper introduceert Fast-WAM, een wereldactie-model dat tijdens het testen geen toekomstige beelden genereert, en laat zien dat video-modellering tijdens het trainen cruciaal is voor prestaties, terwijl het weglaten van testtijd-imagination de latentie met meer dan 4 keer verlaagt zonder de effectiviteit te verliezen.
Dit artikel introduceert CritiSense, een meertalige mobiele applicatie die via interactieve microlearning-challenges proactief digitale weerbaarheid tegen desinformatie bevordert en in een usability-studie hoge tevredenheid en gebruiksvriendelijkheid heeft aangetoond.
Dit paper introduceert RARRL, een hiërarchisch framework dat via versterkingsleer dynamisch bepaalt wanneer een robot moet redeneren of handelen, waardoor de taaksuccesratio wordt verbeterd en de uitvoeringstijd wordt verlaagd ten opzichte van vaste strategieën.
Deze technische notitie vergelijkt de rekentijd van drie methoden voor het updaten van matrixinversies bij online outlierdetectie en stelt een eenvoudige regel op die aangeeft wanneer het gebruik van Iteratieve Sherman-Morrison, Woodbury Matrix Identiteit of Directe Inversie het meest efficiënt is.
Deze studie toont aan dat federatief leren, toegepast op gegevens van het OneFlorida+ Consortium, robuuste en privacy-bewuste modellen voor het voorspellen van postoperatieve complicaties en sterfte mogelijk maakt die vergelijkbare of betere prestaties leveren dan lokale of gecentraliseerde modellen.
Dit rapport introduceert de IQuest-Coder-V1-serie, een nieuwe familie van code-LLM's die door een evolutionair trainingsparadigma met dynamische code-flow en gespecialiseerde post-training (zowel 'thinking' als 'instruct') state-of-the-art prestaties bereikt in agentic software-engineering, competitief programmeren en complexe toolgebruik, inclusief een efficiënte 'Loop'-variant voor betere schaalbaarheid.
Dit onderzoek toont aan dat hoewel het toevoegen van persoonlijke context, zoals mentale gezondheidsinformatie, de veiligheid van LLM-agenten licht kan verbeteren, dit beschermende effect kwetsbaar is en snel wordt ondermijnd door minimale adversarische druk, wat de noodzaak benadrukt van evalueringsmethodieken die rekening houden met personalisatie.
Dit paper introduceert CIRCLES, een nieuw raamwerk dat de prestaties van Vision-Language Models bij in-context learning verbetert door actief demonstratievoorbeelden te selecteren op basis van contrafactuele, attribuutgestuurde zoekopdrachten om causale relaties te leren in plaats van oppervlakkige correlaties.
Dit paper introduceert MedCL-Bench, een uniek benchmarkkader dat de trade-offs tussen stabiliteit en efficiëntie evalueert voor biomedische voortdurende leerstrategieën, waarbij wordt aangetoond dat parameterisolatie de beste prestaties levert per GPU-uur en dat directe fine-tuning leidt tot catastrofisch vergeten.
SpecMoE is een nieuw foundation model dat gebruikmaakt van een geavanceerd Gaussian-smoothed masking-scheme op STFT-kaarten en een Mixture-of-Experts-architectuur om state-of-the-art prestaties te behalen in diverse EEG-decoderingstaken met sterke generalisatie tussen verschillende soorten en individuen.
Het onderzoek toont aan dat autonome AI-coderingsagenten aanzienlijke niet-standaardfouten vertonen door variatie in analytische keuzes, waarbij blootstelling aan voorbeeldpapers de spreiding van schattingen sterk vermindert door imitatie in plaats van begrip.
Deze paper introduceert een formeel model en een efficiënt, op steekproeven gebaseerd algoritme dat, met behulp van de proportionele vetocore, een gemeenschappelijk standpunt selecteert uit een oneindige reeks alternatieven in een diverse populatie.
Het paper introduceert TurnWiseEval en TurnWiseData om de kloof tussen single- en multi-turn taalmodelcapaciteiten te analyseren, en toont aan dat zelfs een kleine hoeveelheid synthetische multi-turn trainingsdata de prestaties aanzienlijk verbetert.
Dit paper introduceert TraceR1, een tweestapsversterkingsleerframework dat anticiperend redeneren mogelijk maakt door toekomstige trajecten te voorspellen, waardoor multimodale AI-agenten aanzienlijk beter presteren bij complexe, meerstapsplanningstaken dan traditionele reactieve systemen.
Dit paper introduceert IOSVLM, een end-to-end 3D vision-language model dat intraorale scans als point clouds verwerkt voor eenheidsgewijze tandheelkundige diagnose en generatieve VQA, ondersteund door het grote IOSVQA-dataset en innovatieve trainingsstrategieën om de uitdagingen van 3D-geometrie en data-tekort aan te pakken.