1077 papers
COLD-Steer is een trainingsvrij raamwerk dat grote taalmodellen tijdens de inferentie stuurt door de representatieve veranderingen van in-context leren te benaderen, waardoor een effectiviteit tot 95% wordt bereikt met 50 keer minder voorbeelden dan bestaande methoden.
Dit paper introduceert BRTR, een multimodaal agentisch framework dat iteratief zoeken en redeneren combineert om complexe enterprise-spreadsheets nauwkeuriger te analyseren en te bewerken dan bestaande methoden, zoals aangetoond door state-of-the-art resultaten op drie benchmarks.
Dit paper introduceert een contextbewust meertalig spraakherkenningsraamwerk dat gebruikmaakt van contrastief leren om spraak- en contextrepresentaties uit te lijnen, wat leidt tot een verbeterde herkenningskwaliteit over diverse talen en dialecten.
Dit artikel beschrijft de bijdrage van het KCLarity-team aan SemEval-2026, waarin twee modelleringbenaderingen en zero-shot decoder-only modellen worden geëvalueerd voor het detecteren van politieke ontwijking en onduidelijkheid, met RoBERTa-large als beste encoder en GPT-5.2 als sterkste zero-shot model.
Dit artikel introduceert EHRSQL, een nieuw tekst-naar-SQL-benchmark voor elektronische gezondheidsrecords dat is opgebouwd uit vragen van 222 ziekenhuismedewerkers en is ontworpen om modellen te testen op het genereren van SQL-query's, het begrijpen van tijdsuitdrukkingen en het herkennen van niet-beantwoordbare vragen.
Dit artikel introduceert contrastive prompting, een methode waarbij grote taalmodellen worden gevraagd om zowel een correct als een fout antwoord te genereren, wat hun redeneervermogen aanzienlijk verbetert en prestaties op diverse taken overtreft zonder handmatige voorbeelden.
Dit paper introduceert INMS, een asynchroon interactief kader voor multi-agent systemen dat door het delen van een dynamisch conversatiememoriepool de prestaties van LLM-gebaseerde agenten in open-ended scenario's aanzienlijk verbetert.
Dit artikel introduceert EasyAnimate, een hoogpresterend videogeneratiekader dat gebruikmaakt van Diffusion Transformers, hybride venster-attention en beloningsbackpropagatie om zowel de snelheid als de kwaliteit van videoproductie te verbeteren.
Dit artikel introduceert en analyseert het NP-complexe probleem van vectorretrieval met gelijktijdige gelijkenis en diversiteit (VRSD), en presenteert een parameterloze heuristiek die presteert beter dan bestaande methoden zoals MMR en k-DPP.
Dit onderzoek toont aan dat het gebruik van Retrieval-Augmented Generation (RAG) in NotebookLM de nauwkeurigheid van het stadiumbepalen van pancreaskanker significant verbetert ten opzichte van de onderliggende LLM, terwijl het bovendien transparantie biedt door relevante richtlijnexcerpts te presenteren.
Dit paper introduceert een Logic Augmented Generation-framework dat semantische kennisgrafieken en prompt-heuristieken combineert om multimodaal analogisch redeneren en metafoorherkenning te verbeteren, wat resulteert in superieure prestaties ten opzichte van bestaande baselines en menselijke beoordelaars, hoewel er nog beperkingen blijven voor domeinspecifieke metaforen.
Dit onderzoek presenteert een semi-automatische workflow die op LLM's en kennisgrafieken is gebaseerd om de wetenschappelijke nauwkeurigheid van klimaatgerelateerde nieuwsartikelen te beoordelen, maar concludeert dat de huidige kennisbronnen en schaalbaarheid nog ontoereikend zijn voor een effectieve, grootschalige fact-checking.
Dit artikel introduceert MiCo, een hiërarchisch framework op basis van taalagenten dat grote taalmodellen inzet voor het ontwerpen van adaptieve heuristieken om het complexe probleem van virtuele machine-scheduling in de cloud effectief op te lossen.
Dit paper introduceert CausalPitfalls, een benchmark die aantoont dat huidige grote taalmodellen tekortschieten in het betrouwbaar uitvoeren van causale inferentie door veelvuldig statistische valkuilen te negeren, en biedt hiermee gestructureerde maatstaven voor de ontwikkeling van meer betrouwbare redeneersystemen.
Dit paper introduceert ShIOEnv, een Gymnasium-compatibele Bash-omgeving die gebruikmaakt van grammatica-gedwongen synthese en zelftoezicht op onherleidbaarheid om 2,1 miljoen input-outputparen te genereren, waardoor modellen beter in staat zijn om de uitvoeringsgedragingen van shell-opdrachten te modelleren dan eerdere, uitvoeringsvrije benaderingen.
Deze paper introduceert SealQA, een nieuwe benchmark die aantoont dat zelfs de meest geavanceerde zoekversterkte taalmodellen en redeneersystemen ernstig tekortschieten bij het verwerken van verstorende of lange zoekresultaten voor feitelijke vragen.
Dit paper introduceert LUCIFER, een inferentie-only middleware die via een 'Signal Contract' online taalgrounding en -ontdekking mogelijk maakt voor autonome systemen, waardoor beslissingnemers taalonafhankelijk blijven en zowel veiligheid als informatie-efficiëntie in dynamische omgevingen zoals zoek- en reddingsoperaties worden verbeterd.
Deze paper introduceert EDINET-Bench, een open-source benchmark voor Japanse financiële rapporten die aantoont dat zelfs geavanceerde grote taalmodellen moeite hebben met complexe financiële taken zoals fraudeopsporing en dat er behoefte is aan realistischere evaluatiekaders met gespecialiseerde ondersteuning.
Deze studie toont aan dat Reinforcement Fine-Tuning (RFT) multimodale taalmodellen beter in staat stelt om voorkennis te behouden dan Supervised Fine-Tuning (SFT), omdat RFT voornamelijk correcte steekproeven versterkt die beter aansluiten bij het bestaande waarschijnlijkheidslandschap, waardoor de negatieve impact van trainingsdata op eerder geleerde kennis wordt geminimaliseerd.
Dit paper introduceert La Leaderboard, het eerste open-source platform dat generatieve grote taalmodellen evalueert op basis van de linguïstische en culturele diversiteit van het Spaans, inclusief variëteiten uit Spanje en Latijns-Amerika en talen zoals Baskisch, Catalaans en Galicisch.