1724 papers
Dit paper introduceert DARE, een lichtgewicht retrieval-model dat data-distributie-informatie integreert om de prestaties van LLM-agents bij het genereren van R-code en het vinden van statistische pakketten aanzienlijk te verbeteren.
Het HiMAP-Travel-framework lost het probleem van lange-termijn reisplanning met strikte beperkingen op door een hiërarchische multi-agent architectuur te gebruiken die strategische coördinatie en parallelle dagelijkse uitvoering combineert, wat leidt tot aanzienlijk betere prestaties dan bestaande methoden op de TravelPlanner-benchmarks.
Dit paper introduceert SharedLLM, een efficiënt framework dat twee gestapelde korte-context LLM's combineert via een 'self-injection'-mechanisme en query-georiënteerde compressie om contextvensters tot meer dan 128K tokens uit te breiden zonder dure hertraining, terwijl het tegelijkertijd de geheugenvoetafdruk verkleint en de inferentiesnelheid aanzienlijk verhoogt.
TSEmbed is een universeel multimodaal inbeddingsraamwerk dat door middel van een combinatie van Mixture-of-Experts en Low-Rank Adaptation taakconflicten oplost en via Expert-Aware Negative Sampling state-of-the-art prestaties bereikt op zowel benchmark- als industriële datasets.
Dit paper introduceert Privacy Camera 2.0, een nieuw privacybewust waarnemingskader dat via een edge-cloud architectuur en het AI Flow-paradigma ruwe beelden in real-time omzet in wiskundig onomkeerbare abstracte vectorrepresentaties, waardoor gedetailleerde gedragsanalyse en visuele reconstructie mogelijk zijn zonder de oorspronkelijke privacygevoelige beelden te onthullen.
Dit paper introduceert RLSTA, een versterkingsleer-methode die multi-turn interacties stabiliseert door het 'contextuele inertie'-probleem aan te pakken, waarbij modellen vasthouden aan eerdere foutieve redeneringen, door gebruik te maken van sterke single-turn prestaties als ankers voor zelfkalibratie.
Dit paper introduceert het CSV-framework (Clustering-Sampling-Voting), dat de kosten en latentie van semantische filtering met grote taalmodellen drastisch verlaagt door sublineaire complexiteit te bereiken via clustering, steekproeven en stemmechanismen, zonder in te leveren op nauwkeurigheid.
Dit paper introduceert het concept van het Aandacht-Gravitationele Veld (AGF) als een kracht-wet-gebaseerde interpretatie van positionele correlaties in grote taalmodellen, waarbij het ontkoppelen van positionele coderingen van semantische embeddings leidt tot verbeterde nauwkeurigheid en een empirische overeenkomst met Newton's wet van universele zwaartekracht.
Deze studie vergelijkt fact-gebaseerde geheugensystemen met lange-context LLM's voor persistente agents en concludeert dat, hoewel lange-context modellen vaak betere feitelijke recall bieden, het geheugenarchitectuur op de lange termijn kostenefficiënter is en een waardevol alternatief biedt voor productiedeployments afhankelijk van de contextlengte en het type taak.
Deze meta-analyse onthult dat AI-modellen voor het beoordelen van korte antwoorden significant tekortschieten in vergelijking met menselijke experts, waarbij decoder-only-architecturen slechter presteren dan encoders, de moeilijkheidsgraad van de taak geen invloed heeft op de AI-prestaties, en er sprake is van ernstige gevoeligheid voor formulering en raciale discriminatie in hoge-stakes onderwijscontexten.
Dit artikel introduceert GDS, een methode die vooraf getrainde data in grote taalmodellen detecteert door systematische afwijkingen in gradiëntgedrag te analyseren, waardoor het de bestaande prestaties en overdraagbaarheid van bestaande methoden verbetert.
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.