1852 papers
Dit paper introduceert DCR (Discernment via Contrastive Refinement), een nieuwe uitlijningsmethode die overmatig afwijzen door veilige taalmodellen vermindert door waarlijk giftige prompts te onderscheiden van ogenschijnlijk giftige, zonder de algehele veiligheid of bruikbaarheid te compromitteren.
Dit artikel introduceert een trainingsvrije methode voor het beheersen van chatstijlen in grote taalmodellen door aan te tonen dat stijlkenmerken als lineaire richtingen in de activatieruimte zijn gecodeerd, wat leidt tot precieze stijlcontrole en verbeterde veiligheid met minimale rekenkosten.
Dit paper introduceert IntPro, een proxy-agent die contextbewuste gebruiksintenties verbetert door middel van een zoekopdracht-gestuurde inferentie die individuele intentiepatronen uit een geschiedenisbibliotheek benut via toezichtsfine-tuning en GRPO-training.
Deze paper introduceert Sequential Adaptive Steering (SAS), een modulaire methode die het mogelijk maakt om tijdens de inferentie meerdere persoonlijkheidstrekken van grote taalmodellen tegelijkertijd en zonder modeltraining te sturen door orthogonale stuurvectoren te gebruiken die destructieve interferentie voorkomen.
Dit artikel introduceert een nieuw meertalig Chinees dialogue-dataset dat gelijktijdig tevredenheidsdetectie, emotieherkenning en de voorspelling van emotionele overgangen ondersteunt om de beperkingen van bestaande bronnen en de dynamiek van multi-turn gesprekken aan te pakken.
Het paper introduceert StructLens, een analytisch kader dat taalmodellen interpreteert door middel van maximale spanningsbomen op basis van semantische representaties om globale inter-lagen relaties te kwantificeren, wat leidt tot een unieke vergelijkingsmetriek die effectief is voor taken zoals het weglaten van lagen.
Dit paper introduceert AutoHarness, een methode waarbij een kleiner LLM (Gemini-2.5-Flash) automatisch een code-harness synthetiseert om illegale acties te voorkomen, waardoor het model zelfs grotere modellen zoals Gemini-2.5-Pro en GPT-5.2-High overtreft in diverse TextArena-games.
Dit paper introduceert het Certainty Robustness Benchmark, een tweerondse evaluatieframework dat de stabiliteit van grote taalmodellen meet wanneer ze worden geconfronteerd met zelfopgelegde uitdagingen, en onthult dat sommige modellen onder conversatiedruk correcte antwoorden onterecht verlaten terwijl anderen beter bestand zijn tegen tegenstrijdige input.
In dit werk wordt PulseLM geïntroduceerd, een groot dataset en benchmark van 1,31 miljoen PPG-segmenten met 3,15 miljoen vraag-antwoordparen die ruwe PPG-golven koppelen aan natuurlijke taal om multimodale fysiologische redenering en taalmodellen te faciliteren.
Deze studie toont aan dat de robuustheid van Large Language Models tegen verstoringen in Chain-of-Thought-redenering sterk varieert afhankelijk van het type fout en de modelgrootte, waarbij schaling weliswaar helpt tegen rekenfouten maar beperkte bescherming biedt tegen eenheidsconversies en andere dimensionale uitdagingen.
Dit paper introduceert DropMatch, een trainingsvrije methode die Monte Carlo dropout toepast op de LM-head van een doelmodel om tokens van een draft-model selectief te accepteren tijdens speculatieve decoding, wat leidt tot significante versnellingen van de inferentie zonder prestatieverlies.
Deze paper introduceert CompMath-MCQ, een nieuw benchmarkdataset met 1.500 door professoren geschreven meerkeuzevragen op graduate-niveau voor de evaluatie van LLM's in geavanceerde wiskundige redenering, waaruit blijkt dat dit voor huidige modellen nog een aanzienlijke uitdaging blijft.
Deze paper toont aan dat specifieke vaardigheden in grote taalmodellen sterk gelokaliseerd zijn in een klein aantal opzichtige koppen, en introduceert een methode op basis van gecomprimeerd waarnemen om deze componenten efficiënt te identificeren voor interpretatie en modelbewerking.
Deze paper introduceert een framework voor prompt-afhankelijke rangschikkingen van grote taalmodellen dat, in plaats van op vaste puntenschattingen, vertrouwen op statistisch valide onzekerheidsintervallen om betrouwbare en veilige beslissingen te ondersteunen.
Dit paper introduceert Arapai, een offline-first AI-chatbot-architectuur die geoptimaliseerd is voor lage-connectiviteitsomgevingen en beperkte hardware, waardoor gepersonaliseerd onderwijs mogelijk wordt zonder afhankelijkheid van cloudinfrastructuur.
Deze studie toont aan dat farmacologische kennis in grote taalmodellen niet lokaal aan één token is gebonden, maar voortkomt uit gedistribueerde representaties die vooral in de vroege lagen worden gecodeerd en het sterkst worden beïnvloed door intermediaire tokens binnen een drugsgroep.
Deze studie onthult dat de interne representaties van grote taalmodellen schaarser worden naarmate de taakmoeilijkheid toeneemt, een adaptief mechanisme dat wordt benut in de nieuwe 'Sparsity-Guided Curriculum In-Context Learning'-strategie om de prestaties bij uitdagingen buiten de trainingsverdeling te verbeteren.
Dit onderzoek toont aan dat coderingsagenten onder druk van omgevingsfactoren en sterke ingebouwde waarden zoals beveiliging en privacy, een asymmetrische doelafwijking vertonen waarbij ze expliciete systeemopdrachten vaker schenden dan onder andere omstandigheden, wat aantoont dat huidige uitlijningsmethoden ontoereikend zijn voor het garanderen van consistente naleving.
Dit onderzoek toont aan dat een aanzienlijk deel van de niet-lineariteit in transformer-MLP's overbodig is en dat het dynamisch vervangen ervan door lineaire substituten, gebaseerd op context, de rekenkosten kan verlagen of zelfs de prestaties kan verbeteren.
Deze studie onthult dat wiskundige redeneermodellen vaak een schijnbare nauwkeurigheid bereiken door onbetrouwbare paden en stille fouten, waarbij de redeneringskwaliteit zelfs een zwakke negatieve correlatie vertoont met correctheid, wat aantoont dat huidige benchmarks de onderliggende computationele instabiliteit maskeren.