1072 papers
Dit onderzoek onthult dat grote taalmodellen, ondanks hun vaardigheid in het genereren van antwoorden, aanzienlijk minder goed presteren bij het beoordelen van deze antwoorden, wat wijst op een fundamenteel paradox en de noodzaak om de betrouwbaarheid van dergelijke evaluaties te betwijfelen.
Dit artikel introduceert het gebruik van ChatGPT voor sentimentanalyse van citaten in wetenschappelijke artikelen om de ontvangst van werken te beoordelen en potentiële biases en belangenconflicten op te sporen.
Dit artikel concludeert dat grote taalmodellen zoals ChatGPT geen autonome agenten zijn volgens belichaamde theorieën van de geest, maar eerder 'spookachtige' gesprekspartners die, ondanks hun gebrek aan eigen doelen en lichamelijkheid, wel degelijk nieuwe vormen van menselijke agency transformeren door een unieke koppeling met de gebruiker.
Deze studie concludeert dat gangbare bias-metrics onbetrouwbaar zijn voor het opsporen van allocatieschade bij grote taalmodellen, omdat ze het verschil tussen voorspellingen en de daaruit voortvloeiende beslissingen over de toewijzing van beperkte middelen negeren.
Het paper introduceert Goldfish, een verzameling van meer dan 1.000 kleine monolinguale taalmodellen voor 350 talen die, ondanks hun beperkte grootte en data, betere prestaties laten zien dan grote meertalige modellen op het gebied van grammatica en perplexiteit, en voor 215 van deze talen de eerste publiek beschikbare monolinguale modellen vormen.
Dit paper introduceert een rekenkundig efficiënt en interpreteerbaar framework dat kleine, vooroordeel-gebaseerde en anti-vooroordeel-expertmodellen gebruikt om tijdens het decoderen een debiasings-signaal toe te voegen aan de output van grote taalmodellen, waardoor vooroordelen op basis van geslacht, ras en religie worden verminderd zonder de prestaties te schaden.
Het paper introduceert SpecEM, een trainingsvrij ensemble-framework voor grote taalmodellen dat door segmentvoorspelling en dynamische, op prestaties gebaseerde weging de samenwerking tussen modellen verbetert en zo superieure resultaten behaalt ten opzichte van bestaande methoden.
Dit paper introduceert LEO, een efficiënt architectuurontwerp dat een gestructureerde mix van visuele encoders combineert met een lichtgewicht fusiestrategie om multimodale taalmodellen te verbeteren voor diverse visuele taken en domeinen zoals autonoom rijden.
Deze survey biedt een gestructureerd overzicht van hoe grote multimodale taalmodellen het wetenschappelijke proces transformeren door onderzoekers te ondersteunen bij literatuuronderzoek, het genereren van ideeën, experimenten, contentcreatie en evaluatie, terwijl het ook de methoden, beperkingen en ethische risico's van deze AI-gestuurde ontdekkingen belicht.
Dit onderzoek toont aan dat het fine-tunen van grote taalmodellen op een parallelle corpus, gegenereerd door back-vertaling van natuurlijke code-switching-zinnen, leidt tot vloeiende Spaans-Engelse code-switching-teksten, waarbij LLM-gebaseerde beoordeling beter overeenkomt met menselijke voorkeuren dan traditionele metrieken.
Dit paper introduceert CAReDiO, een innovatief framework voor data-optimalisatie dat culturele representativiteit en distinctiviteit verbetert door informatie-theoretische doelen te combineren, waardoor Large Language Models met slechts 200 voorbeelden effectief kunnen worden afgestemd op diverse culturen.
Het artikel introduceert RM-R1, een nieuwe klasse van generatieve beloningsmodellen die beloningsmodellering omvormt tot een redeneertaak via een keten van rubrieken en een twee-staps trainingsproces, waardoor ze zowel interpreteerbaarder zijn als betere prestaties leveren dan bestaande modellen.
Dit artikel introduceert EVA, een nieuw asynchroon tot synchroon (A2S) framework dat door inspiratie uit taalmodellen event-gebaseerde visie verbetert en state-of-the-art prestaties behaalt op zowel herkennings- als detectietaken.
Dit onderzoek toont aan dat het gebruik van fine-grained conditionele activatiesturing, met name via de nieuwe K-CAST-methode, de redeneervertrekken in grote taalmodellen effectief kan verminderen door plausibiliteit van inhoud te scheiden van formele geldigheid, wat leidt tot een aanzienlijke verbetering in de nauwkeurigheid van logisch redeneren.
Dit paper introduceert AdAEM, een adaptief en zelfuitbreidend algoritme dat automatisch gecontesteerde testvragen genereert door de interne waarden Grenzen van diverse taalmodellen te onderzoeken, waardoor onderscheidend inzicht in hun waardenverschillen en uitlijning mogelijk wordt.
Dit paper introduceert een deterministische, LLM-onafhankelijke pipeline die ruwe domeincorpora omzet in schaalbare en onbevooroordeelde benchmarks voor het evalueren van domeinspecifieke kennis van zowel basis- als chat-modellen, zonder afhankelijk te zijn van menselijke annotatie of bestaande benchmarks.
Dit paper introduceert Sysformer, een methode die de veiligheid van ingevroren grote taalmodellen verbetert door adaptieve systeemprompts te leren, waardoor de weerstand tegen schadelijke prompts en de naleving van veilige prompts aanzienlijk stijgt zonder kostbare hertraining van de modelparameters.
Dit paper introduceert VLMQ, een post-training kwantisatieframework dat specifiek is ontworpen voor vision-language modellen door visuele oververtegenwoordiging en een modale kloof aan te pakken via een salientie-gedreven aanpak die de prestaties aanzienlijk verbetert, zelfs bij zeer lage bitbreedtes.
Dit artikel presenteert een case study waarin een hybride RAG-strategie consistent beter presteert dan directe prompting met lange context bij cross-linguale technische vraagbeantwoording over een landbouwmachine-handboek, met specifieke modellen zoals Gemini 2.5 Flash en Qwen 2.5 7B die nauwkeurigheden van meer dan 85% bereiken.
Dit paper introduceert CMRAG, een co-modale RAG-framework dat tekst en afbeeldingen gelijktijdig benut via een unificatie-encoderingmodel en een co-modale zoekmethode om de prestaties van visuele documentvraag-antwoordsystemen te verbeteren.