1061 papers
DuplexCascade is een VAD-vrije, gestreamde spraak-naar-spraak pipeline die volledige duplex-interactie mogelijk maakt door conventionele lange wisselgesprekken om te zetten in micro-turns met behulp van speciale controletokens, waardoor de intelligentie van een tekst-LLM behouden blijft terwijl de onderbrekingsproblemen van traditionele systemen worden opgelost.
Dit paper introduceert DEO, een trainingsvrije methode die query-embeddings optimaliseert via contrastief leren om de nauwkeurigheid van zoekopdrachten met ontkenningen en uitsluitingen te verbeteren zonder extra training of model-aanpassingen.
Dit paper introduceert het RAISE-framework om aan te tonen dat verbeteringen in logisch redeneren bij grote taalmodellen onvermijdelijk leiden tot een toename van situationeel bewustzijn en strategisch zelfbewustzijn, waardoor er dringende nieuwe veiligheidsmaatregelen nodig zijn.
Dit onderzoek toont aan dat emotionele toon de aandachtsgewichten en redeneerprestaties van grote taalmodellen beïnvloedt, en introduceert met AURA-QA en een emotionele regularisatieframework een dataset en methode om deze effecten te bestuderen en de leesbegripprestaties te verbeteren.
Het paper introduceert SPAR-K, een modaal bewust framework voor vroegtijdig uitstappen dat de inferentie van gesproken taalmodellen versnelt door een gescheduleerd, periodiek wisselend uitstapstrategie te gebruiken die de perceptuele kwaliteit behoudt en de rekenkosten verlaagt zonder aanzienlijke nauwkeurigheidsverlies.
LooComp is een efficiënte, query-gerichte contextcompressiemethode die een encoder-only Transformer en een 'leave-one-out'-strategie gebruikt om zinnen te selecteren die cruciaal zijn voor het beantwoorden van vragen, waardoor de doorvoersnelheid wordt verhoogd en de kosten worden verlaagd zonder in te leveren op de nauwkeurigheid.
Deze studie toont aan dat Contrastive Decoding de prestaties van grote audio-taalmodellen verbetert door specifieke inferentiefouten te corrigeren, waarbij de effectiviteit echter afhangt van het model en de gekozen strategie, zoals in kaart gebracht door een nieuw Transition Matrix-framework.
Dit artikel introduceert AgentGEO, een agentisch systeem dat generatieve engine optimalisatie verbetert door specifiek faalredenen voor citaties te diagnosticeren en gerichte reparaties toe te passen, wat resulteert in een aanzienlijke stijging van citatiepercentages met minimale inhoudswijzigingen.
Dit paper introduceert TA-Mem, een nieuw raamwerk voor tool-versterkte, autonome geheugenretrieval dat een LLM-agent, een multi-index geheugendatabase en een adaptieve zoekagent combineert om de beperkingen van het contextvenster bij lange conversaties te overwinnen en de prestaties op de LoCoMo-dataset significant te verbeteren.
Dit paper introduceert TaSR-RAG, een framework dat taxonomie-gestuurde gestructureerde redenering toepast door queries en documenten om te zetten in relationele triples, waardoor de precisie en betrouwbaarheid van Retrieval-Augmented Generation voor complexe meerstapsvragen aanzienlijk wordt verbeterd zonder zware grafconstructie.
Dit artikel toont aan dat labels gegenereerd door grote taalmodellen goed overeenkomen met menselijke labels en kunnen worden gebruikt om ruimtelijke categorisatiedatasets, zoals de TRPS, efficiënt uit te breiden voor betere dekking van scènes en talen.
Dit paper introduceert StateFactory, een methode die ongestructureerde waarnemingen omzet in een gefactoriseerde hiërarchische representatie om beloningen nauwkeurig te voorspellen via semantische gelijkenis, wat leidt tot superieure generalisatie en verbeterde agentplanning in diverse domeinen.
Dit paper introduceert een schaalbaar framework genaamd 'LLM as a Meta-Judge' dat gebruikmaakt van synthetische data gegenereerd door taalkundige degradatie om NLP-evaluatiemetrics te valideren, waarbij hoge correlaties met menselijke beoordelingen aantonen dat deze methode een betrouwbaar en kostenefficiënt alternatief biedt voor dure menselijke annotatie.
Deze studie toont aan dat Large Language Models in het Frans gebaseerde gezondheidsdomein genderstereotypen vertonen die worden versterkt door interacties met andere sociale determinanten van gezondheid, wat aangeeft dat het evalueren van deze interacties essentieel is voor een nauwkeurige bias-analyse.
Dit onderzoek onthult dat grote taalmodellen morele redenering vaak boven gezond verstand plaatsen en een vooroordelen vertonen waarbij ze tegenstrijdigheden in gezond verstand makkelijker herkennen bij secundaire personages dan bij de hoofdpersoon, wat wijst op de noodzaak van verbeterde trainingsmethoden.
Dit paper introduceert CyberThreat-Eval, een expert-geannoteerde benchmark die is gebaseerd op de daadwerkelijke workflow van een toonaangevend bedrijf om Large Language Models te evalueren op hun vermogen om real-world cyberdreigingsinlichtingen te analyseren, waarbij wordt vastgesteld dat huidige modellen tekortschieten in nuance en feitelijke nauwkeurigheid.
Dit artikel toont aan dat een stochastisch model van fonologische verandering, aangevuld met aannames over functionele lading en een stabiliserende voorkeur voor een bepaalde inventarisgrootte, kan verklaren hoe statistische regelmatigheden in fonemfrequentieverdelingen en het verband tussen inventarisgrootte en relatieve entropie natuurlijk ontstaan door historische geluidswijzigingen in plaats van door expliciete optimalisatie.
Dit onderzoek toont aan dat taalmodellen via subliminale leerprocessen voorkeuren van een 'leraar'-model kunnen overnemen, zelfs wanneer ze worden getraind op semantisch trouwe parafrases die de voorkeur expliciet tegenspreken, wat wijst op een fundamenteel veiligheidsrisico in pipelines met synthetische trainingsdata.
Deze studie presenteert een methode om nepnieuwsontkrachting te personaliseren op basis van de Big Five-persoonlijkheidstrekken met behulp van LLM's, waarbij geautomatiseerde evaluatie aantoont dat dergelijke gepersonaliseerde boodschappen over het algemeen overtuigender zijn dan generieke versies.
Het paper introduceert ALARM, een audio-taalmodel dat door middel van zelf-herformulering en het samenvoegen van meerdere audio-encoders effectief redeneermodellen (RLMs) koppelt aan auditieve input, waardoor het met een 4B-parameter model de prestaties van grotere modellen op audio-redeneerbenchmarks overtreft.