1862 papers
Het StarWhisper Telescopie is een AI-framework dat de volledige cyclus van astronomische waarnemingen automatiseert door grote taalmodellen te integreren met gespecialiseerde functies, waardoor menselijke tussenkomst wordt verminderd en de detectie van transienten in netwerken van amateur- en professionele telescopen efficiënter verloopt.
Dit overzichtspaper biedt een systematische analyse van query-optimalisatie voor grote taalmodellen, met name in RAG-systemen, door een nieuw levenscycluskader, een complexiteitstaxonomie en een diepgaande bespreking van vier kernoperaties te introduceren.
Dit onderzoek toont aan dat uitlegbaar machine learning, gebaseerd op linguïstische kenmerken in spraak, een veelbelovende, schaalbare methode biedt voor het automatisch screenen van cognitieve stoornissen en het stratificeren van risico's voor klinische triage.
Dit artikel presenteert het eerste empirische onderzoek naar de relatie tussen hallucinaties, monofacten en miscalibratie in taalmodellen, waarbij wordt aangetoond dat selectieve herhaling van een klein deel van de trainingsdata hallucinaties tot 40% kan verminderen zonder de nauwkeurigheid te schaden, wat de universaliteit van deduplicatiebeleid uitdaagt.
Het artikel introduceert GOAT, een framework dat de prestaties van LoRA voor Large Language Models aanzienlijk verbetert door adaptieve SVD-gebaseerde Mixture-of-Experts te integreren en een theoretische schalingsfactor toe te passen, waardoor de prestatiekloof met volledige fine-tuning wordt gedicht.
Dit paper introduceert \texttt{SEM-CTRL}, een methode die token-level MCTS en Answer Set Grammars combineert om off-the-shelf LLM's syntactisch en semantisch correcte output te laten genereren zonder fine-tuning, waardoor zelfs kleinere modellen prestaties van grotere state-of-the-art modellen overtreffen.
Dit paper introduceert LINGOLY-TOO, een uitdagend benchmark met 1.203 taalkundige problemen die door middel van orthografische verduistering kennisafhankelijkheid uitschakelt om de ware redeneerprestaties van taalmodellen nauwkeuriger te meten.
BioChemInsight is een open-source platform dat geavanceerde AI-modellen integreert om chemische structuren en bioactiviteitsdata uit octrooien automatisch te extraheren, waardoor de tijd voor dataverwerking drastisch wordt verkort en een aanvullende chemische ruimte wordt ontsloten die niet in bestaande databases zoals ChEMBL is vertegenwoordigd.
Dit paper introduceert Param, een kostenefficiënte methode die post-training van grote taalmodellen elimineert door kennis van een bestaand instructiemodel direct over te dragen naar een bijgewerkt basismodel via gewichtsmixing, zonder extra trainingskosten.
Dit paper introduceert het ASL-framework met het AMPO-algoritme, dat taalagenten in staat stelt om hun redeneerdiepte dynamisch en contextbewust aan te passen in sociale interacties, wat leidt tot betere prestaties en een aanzienlijke vermindering van token-gebruik vergeleken met bestaande methoden.
Dit paper introduceert Talk-to-Your-Slides, een hoog-efficiënt agent dat presentatieslides bewerkt via taalgestuurde manipulatie van gestructureerde data in plaats van visuele pixels, wat resulteert in aanzienlijke verbeteringen in snelheid, kosten en instructie-trouw vergeleken met bestaande GUI-basismethoden.
Het paper introduceert PC Agent-E, een efficiënt trainingsframework dat met slechts 312 menselijke trajecten en AI-gesynthetiseerde data een model oplevert dat aanzienlijk beter presteert dan de oorspronkelijke menselijke demonstraties en zelfs de Claude 3.7 Sonnet op het WindowsAgentArena-V2-benchmark.
Dit paper introduceert REFLEX, een kader dat metacognitieve vaardigheden zoals zelfreflectie en vaardigheidsdecompositie integreert in door grote taalmodellen aangedreven robotica om de prestaties en creativiteit bij het oplossen van complexe, onbekende taken zonder voorafgaande demonstraties aanzienlijk te verbeteren.
Dit paper introduceert BitBypass, een nieuwe black-box jailbreak-methode die gebruikmaakt van hyphen-gescheiden bitstream-camouflage om de veiligheidsuitlijning van geavanceerde grote taalmodellen te omzeilen en zo schadelijke inhoud te genereren.
DiaBlo is een parameter-efficiënte fine-tuning-methode die alleen de diagonale blokken van modelgewichtsmatrices bijwerkt, waardoor het zonder complexe initialisatie of optimalisatiestrategieën stabiel convergeert en prestaties biedt die vergelijkbaar zijn met volledige fine-tuning.
Het paper introduceert Go-Browse, een methode die webagenten traint door gestructureerde verkenning van webomgevingen, wat resulteert in een dataset die een 7B-parameter taalmodel in staat stelt om de state-of-the-art prestaties op de WebArena-benchmark te verbeteren.
Deze paper introduceert HSSBench, een nieuw meerlingual benchmark met meer dan 13.000 samples en een innovatieve data-generatiepijplijn om de prestaties van multimodale grote taalmodellen te evalueren op complexe taken uit de geestes- en maatschappijwetenschappen, waarbij wordt aangetoond dat zelfs de meest geavanceerde modellen hier nog grote moeite mee hebben.
Dit paper introduceert Search Arena, een groot, crowd-sourced dataset met menselijke voorkeuren voor zoekversterkte LLMs, en onthult dat gebruikers vaak gebaseerd op citaties oordelen in plaats van feitelijke ondersteuning, terwijl het ook aantoont dat webzoekfuncties de prestaties in niet-zoekscenario's niet verslechteren.
Dit paper introduceert Many-Shot In-Context Fine-tuning (ManyICL), een methode die de prestaties van grote taalmodellen aanzienlijk verbetert door in-voorbeelden te behandelen als trainingsdoelen, waardoor de kloof met dedicated fine-tuning wordt overbrugd en vergeten wordt verminderd.
Dit paper introduceert de 'Branching Factor' als maatstaf om te tonen hoe alignment-tuning de output-distributie van LLMs sterk concentreert en de diversiteit vermindert, waardoor modellen voorspelbaarder worden en Chain-of-Thought-reeksen stabilere redeneringen mogelijk maken.