1077 papers
Dit artikel introduceert VoxKnesset, een open-access dataset van ongeveer 2.300 uur Hebreeuwse parlementaire spraak over een periode van 16 jaar, die wordt gebruikt om de uitdagingen van veroudering in stemherkenning en -verificatie te onderzoeken en de noodzaak van longitudinale modellen te onderstrepen.
Dit paper introduceert FreeAct, een nieuw kwantisatiekader voor grote taalmodellen dat statische transformaties vervangt door dynamische, token-specifieke aanpassingen om de prestaties van diffusie- en multimodale modellen aanzienlijk te verbeteren.
Deze paper introduceert een incrementele k-NN-graafconstructie die per ontwerp een verbonden graaf garandeert, waardoor de robuustheid en prestaties van spectrale clustering op tekstgegevens aanzienlijk worden verbeterd, vooral bij lage waarden van k.
Deze studie presenteert een wiskundig model gebaseerd op een verzameling-waarde verzameling-functie dat de niet-lineaire dynamiek van grammaticale geslachtsverschuivingen in zelfstandige naamwoorden, met name in het Riffijns, verklaart door middel van een modulair cognitief raamwerk voor het koppelen van lexemen aan morfologische sjablonen.
Dit paper legt uit dat lineaire RNN's beter paralleliseerbaar zijn dan niet-lineaire RNN's doordat ze logische diepte-circuits simuleren die in de complexiteitsklasse NC1 vallen, terwijl niet-lineaire RNN's P-complete problemen kunnen oplossen wat een fundamenteel parallelisatiebeperking vormt.
Dit paper presenteert Bielik-Q2-Sharp, de eerste systematische academische evaluatie van extreme 2-bit kwantisatie voor het Poolse taalmodel Bielik-11B, waarbij zes geavanceerde methoden worden vergeleken om te concluderen dat QuIP# en QTIP uitstekende prestaties behalen met een minimale grootte-toename en dat rotatie-gebaseerde methoden een dissociatie vertonen tussen log-likelihood-kwaliteit en autoregressieve generatie.
Dit paper introduceert AgentIR, een nieuw retrieval-paradigma dat de expliciete redenering van diepe onderzoeksagenten benut om een geavanceerd inbeddingsmodel te trainen dat aanzienlijk beter presteert dan bestaande methoden op complexe zoekopdrachten.
Dit paper introduceert SearchGym, een modulaire infrastructuur voor cross-platform benchmarking en hybride zoekorchestration die een scheiding maakt tussen data, embeddings en zoeklogica om reproduceerbare systemen te bouwen en inzicht te geven in de optimale volgorde van semantische ranking en gefilterde zoekopdrachten.
Dit paper introduceert FinRetrieval, een benchmark van 500 financiële vragen die aantoont dat de beschikbaarheid van gestructureerde data-API's de prestaties van AI-agenten bij het ophalen van numerieke waarden aanzienlijk meer beïnvloedt dan redeneermodes of modelleveranciers.
Deze studie toont aan dat een Large Language Model-framework ongestructureerde online feedback effectiever kan decoderen dan traditionele methoden om specifieke serviceproblemen en een opvallende perceptiekloof bij EgyptAir te identificeren, waardoor waardevolle strategische inzichten voor de luchtvaartsector worden gegenereerd.
Dit paper introduceert CTRL-RAG, een nieuw hybride beloningssysteem dat gebruikmaakt van een contrastieve waarschijnlijkheidsbeloning om hallucinaties te verminderen en de contextgetrouwheid van Retrieval-Augmented Generation-modellen te verbeteren door de log-waarschijnlijkheidskloof tussen antwoorden met en zonder bewijsmateriaal te optimaliseren.
Deze studie toont aan dat semantische triggers op zichzelf, zelfs zonder mengsel van schadelijke en onschadelijke trainingsdata, leiden tot emergente misalignatie die zich beperkt tot specifieke contexten, waardoor kwetsbaarheden ontstaan die onzichtbaar blijven voor standaard evaluaties.
Dit paper introduceert het 'Probing Memes'-paradigma, dat large language models en datasets als een verweven geheel beschouwt via een perceptiematrix om gedetailleerde interacties en populatieniveau-eigenschappen te analyseren die door traditionele evaluatiemethoden worden gemist.
Dit paper introduceert HUMAINE, een demografisch bewust evaluatiekader dat op basis van gesprekken met ruim 23.000 deelnemers aantoont dat de voorkeur voor grote taalmodellen sterk varieert per leeftijdsgroep en dat traditionele benchmarks vaak de complexiteit van menselijke evaluatie missen.
Dit paper introduceert SalamahBench, een gestandaardiseerd veiligheidsbenchmark voor Arabische taalmodellen bestaande uit 8.170 prompts in 12 categorieën, waarmee wordt aangetoond dat bestaande Arabische modellen aanzienlijke veiligheidskwetsbaarheden vertonen en dat gespecialiseerde bewakingsmodellen superieur zijn aan native modellen voor het detecteren van schadelijke inhoud.
Dit paper introduceert DynaKV, een post-training framework dat de KV-cache van grote taalmodellen efficiënt comprimeert door compressiepercentages dynamisch per token aan te passen op basis van hun semantische betekenis, waardoor aanzienlijke geheugenbesparingen worden bereikt zonder significante kwaliteitsverlies.
Dit artikel introduceert een theoretisch haalbare benadering van de dynamiek van grote taalmodellen via additieve multi-stap Markov-ketens, waarbij de equivalentie met een keten met stapsgewijze geheugenfunctie wordt vastgesteld om het concept van informatietemperatuur uit te breiden en de dimensieproblematiek te mitigeren.
Dit artikel introduceert de Inductive Conceptual Rating (ICR)-metriek, een kwalitatieve semiotisch-hermeneutische benadering die aantoont dat hoewel LLM's hoge taalkundige overeenkomsten vertonen, ze vaak tekortschieten in het vangen van contextueel betekenisvolle menselijke interpretaties in samenvattingen.
Dit artikel introduceert RoBERTa-OTA, een nieuw model dat RoBERTa-embeddings combineert met een ontologie-gestuurde attentie-mechanisme en Graph Convolutional Networks om de nauwkeurigheid van multiclass hate speech-detectie over verschillende demografische categorieën aanzienlijk te verbeteren met slechts een minimale toename in parametergrootte.
Dit paper introduceert het Dual Tuning-framework om de 'Denk-Grens' te kwantificeren, waarmee wordt bepaald wanneer redenering nuttig is voor multimodale taken en zo de inefficiënte 'redeneren-voor-alles'-benadering wordt uitgedaagd ten gunste van adaptieve, resource-efficiënte systemen.