13491 papers
SegQuant is een universeel quantisatiekader voor diffusiemodellen dat post-training quantisatie verbetert door een segmentbewuste grafische strategie en een dubbele-schaal methode te combineren, waardoor de generaliseerbaarheid en visuele kwaliteit worden behouden zonder hertraining.
Het paper introduceert Chart-R1, een visueel-taalmodel dat middels een twee-staps trainingsstrategie met chain-of-thought-supervisie en versterkingslering is ontwikkeld om complexe redeneertaken op diagrammen aanzienlijk beter te presteren dan bestaande methoden.
Dit paper introduceert ECHO, een efficiënte neurale combinatorische optimalisatieoplosser die door middel van een dual-modale encoder, een parameterloze cross-attention-mechanisme en een aangepaste data-augmentatiestrategie de prestaties verbetert voor het Min-max Heterogene Capaciteitsprobleem voor Voertuigroutes (MMHCVRP) door myopische beslissingen te verminderen en specifieke eigenschappen van het probleem te benutten.
SpA2V is het eerste framework dat gebruikmaakt van ruimtelijke auditieve aanwijzingen, zoals luidheid en frequentie, om via een twee-stapsproces van audio-gestuurde videoplanning en lay-out-gebaseerde generatie realistische video's te creëren die zowel semantisch als ruimtelijk nauwkeurig corresponderen met de invoeraudio.
Deze paper introduceert een zelftoezichtmethode met 'Calibration Tokens' die bestaande monokulaire diepteschatters, getraind op perspectiefbeelden, zonder extra training of finetuning toepasbaar maakt op fisheye-camera's door de latent embeddings uit te lijnen.
Het paper introduceert QA-Dragon, een querybewust dynamisch RAG-systeem dat door middel van een hybride zoekstrategie en gespecialiseerde routers multimodale, multi-hop redeneerredenering mogelijk maakt voor kennisintensieve visuele vraagbeantwoording, wat leidt tot aanzienlijke prestatieverbeteringen op de KDD Cup 2025 Meta CRAG-MM Challenge.
In dit artikel wordt EvolvR voorgesteld, een zelf-evoluerend framework dat via gepersonaliseerde Chain-of-Thought-data en multi-agent filtering nauwkeurige paarwijze redenering voor verhalen-evaluatie mogelijk maakt, wat leidt tot state-of-the-art prestaties op evaluatiebenchmarks en de kwaliteit van gegenereerde verhalen aanzienlijk verbetert.
Deze studie introduceert een nieuw benchmarkingsysteem voor het evalueren van LLM-gebaseerde agents in single-cell omics-analyses, waarbij wordt vastgesteld dat multi-agent frameworks en mechanismen zoals zelfreflectie de prestaties aanzienlijk verbeteren, hoewel uitdagingen op het gebied van codegeneratie en contextbeheer blijven bestaan.
Dit artikel presenteert de eerste systematische studie naar post-training kwantisatie voor diffusion large language models (dLLMs), waarbij de uitdaging van activatie-uitbijters wordt geanalyseerd en een uitgebreide evaluatie wordt uitgevoerd om praktische inzichten te bieden voor de efficiënte implementatie van deze modellen op randapparaten.
Deze paper introduceert UTRL, een nieuw adversariaal reinforcement learning-framework dat twee LLM's (een testgenerator en een codegenerator) simultaan traint om zo kwalitatief superieure unit tests te genereren die zelfs de prestaties van geavanceerde modellen zoals GPT-4.1 overtreffen.
Hoewel het "Law-Following AI"-kader juridisch haalbaar is om AI-agenten verplichtingen op te leggen zonder volledige rechtspersoonlijkheid, waarschuwt dit artikel dat de technische uitvoerbaarheid beperkt wordt door het risico op strategische misalignement en schijnbare compliance, wat robuuste detectiemechanismen en controle vereist om daadwerkelijk rechtmatige gedraging te garanderen.
Deze paper introduceert TrajTrack, een lichtgewicht, trajectgebaseerd paradigma dat de nauwkeurigheid en robuustheid van LiDAR-gebaseerde 3D-objecttracking verbetert door historische bounding box-trajecten te gebruiken voor motion modeling, waardoor state-of-the-art prestaties worden bereikt met een hoge snelheid van 55 FPS zonder extra point cloud-inputs.
Dit paper introduceert OraPO, een data-efficiënt reinforcement learning-framework dat door middel van een oracle-stap en een op feiten gebaseerde beloningsscore (FactS) klinisch accurate radiologieverslagen genereert met aanzienlijk minder trainingsdata en rekencapaciteit dan bestaande methoden.
Dit paper introduceert Eva-VLA, het eerste geünificeerde raamwerk dat de robuustheid van Vision-Language-Action-modellen systematisch evalueert door oncontroleerbare fysieke variaties te modelleren als continue optimalisatieproblemen, waarmee kritieke kwetsbaarheden worden blootgelegd en de weerbaarheid van robotmanipulatiesystemen kan worden verbeterd.
Deze paper introduceert SloPal, een uitgebreid corpus van 66 miljoen woorden uit de Slowaakse parlementaire debatten, en SloPalSpeech, een uitgelijnd spraakdataset van 2.806 uur dat de prestaties van Whisper-ASR-modellen voor het Slowaaks aanzienlijk verbetert.
Dit artikel presenteert een data-efficiënte methode voor het personaliseren van spraakherkenningsystemen voor niet-normatieve spraak, waarbij variatie in onzekerheid via VI LoRA wordt gebruikt om een 'Phoneme Difficulty Score' te genereren die gerichte oversampling en aanzienlijke verbeteringen in herkenningsnauwkeurigheid mogelijk maakt.
Deze paper introduceert een nieuwe Bayesiaanse Low-Rank Adaptatie-methode voor data-efficiënte personalisatie van spraakherkenningsmodellen, die de nauwkeurigheid aanzienlijk verbetert voor mensen met spraakstoornissen ondanks beperkte trainingsdata.
Deze studie toont aan dat het genereren van synthetische data om specifieke inductie-mechanismen te activeren niet voldoende is om in-context learning te verbeteren, omdat natuurlijke training in plaats daarvan meer robuuste en causaal noodzakelijke circuits produceert.
AutoEP is een nieuw raamwerk dat Large Language Models gebruikt als zero-shot redeneermotoren, gekoppeld aan online landschapsanalyse, om hyperparameters van metaheuristische algoritmen dynamisch en zonder training te optimaliseren, waarbij het de prestaties van geavanceerde tuners overtreft en zelfs open-source modellen gelijkwaardig maakt aan GPT-4.
Dit paper introduceert AgentDiet, een methode die tijdens de uitvoering overbodige informatie uit agenttrajecten verwijdert om de rekenkosten aanzienlijk te verlagen zonder in te leveren op prestaties.