1848 papers
Dit hoofdstuk biedt een overzicht van verantwoord gebruik van detectoren voor door AI gegenereerde essays en presenteert empirische analyses over de generaliseerbaarheid van deze detectoren tussen verschillende grote taalmodellen.
Dit artikel analyseert de beperkingen van TeX in het tijdperk van grote taalmodellen en introduceert Mogan STEM als een efficiënter WYSIWYG-alternatief dat snellere compilatie, betere foutlokalisatie en een lagere informati-entropie biedt voor het fine-tunen van LLM's.
Deze paper introduceert een multi-agent collaboratief framework dat het menselijke 'voorstellen-evalueren-aanpassen'-proces nabootst om via versterkingsleer synthetische data te genereren en te valideren, waardoor de prestaties van zero-shot document-level event argument-extractie aanzienlijk worden verbeterd.
Dit paper introduceert een multi-agent framework dat code-gebaseerde agents gebruikt om bestaande wiskundeproblemen autonoom te evolueren naar complexere, oplosbare varianten, waarmee een schaalbare oplossing wordt geboden voor het tekort aan uitdagende trainingsdata voor geavanceerde wiskundige redenering.
Het paper introduceert AriadneMem, een gestructureerd geheugensysteem voor LLM-agenten dat middels een gefaseerde aanpak met entropiebewuste filtering en conflictbewuste samenvoeging de uitdagingen van losgekoppelde bewijslast en statische updates oplost, wat resulteert in aanzienlijke verbeteringen in meerhop-precisie en een drastische reductie van de runtime.
Deze paper identificeert aanhoudende en nieuwe biases in beloningsmodellen voor taalmodellen en introduceert een effectieve, post-hoc mechanische beloningsvorming om deze te verminderen zonder de algehele kwaliteit te schaden.
Het paper introduceert MA-RAG, een multi-round agentic RAG-framework dat medische redenering verbetert door semantische conflicten om te zetten in iteratieve zoekopdrachten en een versterkingsmechanisme te gebruiken om consensus te bereiken, wat resulteert in een aanzienlijke stijging van de nauwkeurigheid op medische benchmarks.
Het paper introduceert SE-Search, een zelfevoluerende zoekagent die hallucinaties in grote taalmodellen vermindert door een 'Denk-Zoek-Geheugen'-strategie te combineren met geheugenzuivering, atomaire query-training en dichte beloningen, wat resulteert in aanzienlijk betere prestaties dan bestaande methoden op vraagbeantwoordingsbeproevingen.
Dit paper introduceert een hybride LLM-architectuur voor landbouwadvies die, door gesuperviseerde fine-tuning op gecureerde feiten en een aparte 'stitching'-laag voor veiligheidsbewuste communicatie, nauwkeurigere en veiliger antwoorden biedt voor kleine boeren in Bihar, India, dan standaardmodellen.
Deze studie toont aan dat grote taalmodellen bij het autonoom kiezen van doelen in open-ended taken sterk afwijken van menselijk gedrag door te vervallen in exploitatie of lage prestaties, waardoor ze ongeschikt zijn als vervanging voor mensen in toepassingen zoals persoonlijk assistentie en beleidsresearch.
Het artikel introduceert PlugMem, een taakongebonden plugin-module voor LLM-agenten die episodische herinneringen omzet in een compacte, kennisgerichte graaf om efficiëntere zoekopdrachten en redenering mogelijk te maken dan bestaande methoden.
Dit artikel introduceert TTSR, een zelfreflecterend testtijd-trainingsframework dat de redeneerprestaties van grote taalmodellen verbetert door een voortdurende cyclus waarin het model als leraar en leerling optreedt om gerichte variantvragen te genereren op basis van eerdere fouten.
TATRA is een trainingsvrije methode die door het dynamisch genereren van voorbeeldzinnen per individuele taak, zonder gebruik van gelabelde data of kostbare optimalisatie, de prestaties van grote taalmodellen op tekstclassificatie en wiskundig redeneren verbetert.
Deze studie auditeert de fabricage van academische citaten door tien grote taalmodellen, kwantificeert de hallucinatiepercentages over verschillende domeinen en modellen, en presenteert effectieve detectiemethoden zoals multi-model consensus en een lichtgewicht classifier die hallucinaties kan identificeren zonder externe databases.
Deze studie toont aan dat hoewel bestaande RAG-modellen en commerciële juridische AI-tools vaak falen bij het benchmarken van Amerikaanse werkloosheidsverzekeringen, een aangepast tool (STARA) aanzienlijk betere resultaten boekt en bovendien blootlegt dat veel vermeende fouten eigenlijk omissies in de menselijke grondwaarheid zijn, wat leidt tot concrete richtlijnen voor de ontwikkeling van nauwkeurige juridische AI-systemen.
Dit paper onderzoekt semantische caching voor LLM-embeddings, bewijst dat het vinden van een optimale offline beleid NP-moeilijk is, en stelt polynomiale heuristieken en online beleidsregels voor die de prestaties verbeteren ten opzichte van bestaande methoden.
Dit artikel stelt een Retrieval-Augmented Generation-framework voor met een multi-agent architectuur en visueel-taalmodellen om de kennisbeheer en werknemersopleiding in staatsverkeersafdelingen te verbeteren door het integreren van tekstuele en visuele documentatie voor contextbewuste, evidence-based antwoorden.
Dit paper introduceert HumanLM, een nieuw trainingskader dat gebruikerssimulaties verbetert door niet alleen antwoorden te imiteren, maar ook psychologisch onderbouwde, verborgen toestanden te genereren die via versterkingslering zijn uitgelijnd met de werkelijke reacties van gebruikers, wat resulteert in aanzienlijk betere prestaties op de nieuwe Humanual-benchmark.
Dit paper introduceert Draft-Conditioned Constrained Decoding (DCCD), een trainingsvrije methode die de semantische planning en structurele validatie ontkoppelt om de nauwkeurigheid van gestructureerde generatie in taalmodellen aanzienlijk te verbeteren zonder de modelgrootte te vergroten.
Dit onderzoek vergelijkt de nieuwe Token-Oriented Object Notation (TOON) met JSON en concludeert dat TOON, ondanks een gunstige token-efficiëntie bij complexe taken, vaak wordt beperkt door prompt-overhead en dat geconstrueerde JSON-decodering voor eenvoudige structuren zelfs nog efficiënter kan zijn dan TOON.