1111 papers
Dit paper introduceert een nieuwe aanpak voor gelijktijdige opname van real-time MRI, EEG en oppervlakte-EMG tijdens spraakproductie, inclusief een op maat gemaakt proces voor het onderdrukken van artefacten, om inzicht te krijgen in de neurale en motorische processen van spraak.
Dit paper bewijst dat gradienten op basis van RLHF alignment inherent oppervlakkig zijn omdat ze verdwijnen zodra de schadelijkheid van een output is vastgesteld, en stelt een nieuw doel voor dat herstelstraffen gebruikt om een gradientensignaal over de volledige sequentie te behouden.
Dit paper introduceert SinhaLegal, een uitgebreid corpus van ongeveer 2 miljoen woorden bestaande uit Sinhala-wetgevingsteksten dat is ontwikkeld om de kloof in wetenschappelijk onderzoek te dichten en diverse NLP-taken zoals informatievergaring en analyse te ondersteunen.
Dit paper introduceert HACHIMI, een multi-agent framework dat schaalbare en controleerbare studentenpersonas genereert die zijn afgestemd op educatieve theorieën en demografische verdelingen, resulterend in een corpus van 1 miljoen personas dat dient als standaard voor het benchmarken van educatieve AI en sociale simulaties.
Dit paper introduceert FireBench, een nieuw open-source benchmark met meer dan 2.400 samples die specifiek is ontworpen om instructievolgende vaardigheden van grote taalmodellen te evalueren in zakelijke en API-gedreven scenario's, waarmee een gat wordt gedicht tussen bestaande benchmarks en de behoeften van enterprise-toepassingen.
Deze paper introduceert een trainingsvrije, kostenefficiënte methode die de diversiteit van Diffusion Language Models verbetert door tussentijdse samples sequentieel te repelleren, wat leidt tot aanzienlijk betere Pass@-prestaties op benchmarks zoals HumanEval en GSM8K zonder extra rekenkosten.
Deze studie toont aan dat hoewel grote taalmodellen (LLMs) qua prestatie dicht bij menselijke experts komen bij het analyseren van waarden in kwalitatief onderzoek, hun onzekerheidspatronen en rangschikkingen van waarden afwijken, waarbij ensemble-methoden de nauwkeurigheid verbeteren maar systematische bias in bepaalde waarden zoals 'veiligheid' blijft bestaan.
Dit onderzoek toont aan dat veiligheidsinterventies in meervoudige LLM-agenten, die in het Engels effectief lijken, in andere talen zoals het Japans een 'alignment backfire' kunnen veroorzaken waarbij oppervlakkige veiligheid leidt tot een toename van collectieve pathologie en dissociatie, wat aantoont dat taalruimte de uitkomsten van veiligheidsafstemming fundamenteel bepaalt.
Dit artikel presenteert een innovatieve pipeline met agentische LLMs voor SemEval-2026 Taak 10 die psycholinguïstische complotmarkers en complotgoedkeuring gescheiden behandelt via Dynamic Discriminative Chain-of-Thought en een 'Anti-Echo Chamber'-architectuur, wat leidt tot aanzienlijke prestatieverbeteringen en een derde plaats op de ontwikkelingsleaderboard.
In dit paper presenteren AILS-NTUA hun systeem voor SemEval-2026 Taak 3, dat door middel van een efficiënte combinatie van fijnafgestemde encoder-modellen en instructie-tuning van grote taalmodellen met LoRA, concurrerende prestaties behaalt bij multidimensionale aspect-gebaseerde sentimentanalyse over meerdere talen en domeinen.
Dit artikel introduceert een 'match-and-merge'-paradigma met twee algoritmen, GMMA en RMMA, om heterogene taalmodellen in federatief hybride spraakherkenning te optimaliseren, waarbij RMMA de beste prestaties levert door snellere convergentie en superieure generalisatie.
Deze paper introduceert LocalSUG, een geografisch bewust LLM-framework voor query-suggesties in lokale diensten dat door middel van stadsgerichte kandidaat-mining, een beam-search-gebaseerde GRPO-algoritme en optimalisaties voor inferentielatentie de klikratio verbetert en het aantal zoekopdrachten zonder resultaat verlaagt.
Dit paper introduceert TimeWarp, een benchmark die de kwetsbaarheid van webagenten voor veranderingen in webontwerp blootlegt, en presenteert TimeTraj, een algoritme dat via plan-distillatie over meerdere UI-versies de prestaties en robuustheid van deze agenten aanzienlijk verbetert.
VisionPangu is een compact multimodaal model van 1,7 miljard parameters dat, door gebruik te maken van een InternVL-visionencoder, de OpenPangu-taalbackbone en gedetailleerde menselijke beschrijvingen uit het DOCCI-dataset, concurrerende prestaties levert bij het genereren van gestructureerde en rijke afbeeldingsbeschrijvingen zonder afhankelijk te zijn van agressieve schaalvergroting.
Het herhalen van vooraf getrainde generieke data tijdens het fijnafstemmen verbetert verrassend genoeg de prestaties op specifieke doeltaakken, zelfs bij minder gerelateerde domeinen, door de datadoeltreffendheid te verhogen en de algemene vaardigheden van het model te behouden.
Dit onderzoek toont aan dat het selectief gebruiken van hoogzekerheidsvoorbeelden van een zwakke taalmodel, gecombineerd met een nieuw Confidence-Weighted Preference Optimization-framework, leidt tot superieure uitlijning op menselijke waarden met slechts 20% van de menselijke annotaties in vergelijking met standaardmethoden.
Deze paper introduceert MPCEval, een nieuw referentiekader met kwantitatieve, referentievrije metrieken voor het evalueren van generatieve AI in meerpartijengesprekken door de kwaliteit te ontleden in sprekermodellerings-, inhouds- en consistentie-aspecten.
Dit paper introduceert Mixture of Universal Experts (MOUE), een innovatieve MoE-architectuur die de schaalbaarheid verbetert door diepte om te zetten in virtuele breedte via hergebruik van universele experts, waarbij specifieke mechanismen zoals een gestaggerde rotatietopologie en een universele router de uitdagingen van routepad-explosie en load-balancing oplossen om superieure prestaties te behalen.
Deze paper introduceert een functioneel georiënteerde methode voor het samenvoegen van meerdere LLM's op de Fisher-Rao-maand, die de beperkingen van traditionele Euclidische benaderingen overwint door een stabiel Karcher-gemiddelde te berekenen dat representatie-inzinking voorkomt en de prestaties verbetert bij het samenvoegen van heterogene modellen.
Dit paper introduceert VRM, een nieuw variational reward modeling-framework dat het menselijke evaluatieproces nabootst door hoge-dimensionale objectiefgewichten en lage-dimensionale semantische kenmerken als latente variabelen te modelleren, wat resulteert in een betere generalisatie en het effectiever vastleggen van authentieke menselijke voorkeuren dan bestaande methoden.