1924 papers
Dit paper introduceert MoD-DPO, een efficiënt framework dat cross-modale hallucinaties in omni-taalmodellen vermindert door modality-decoupled voorkeuroptimalisatie te gebruiken om de afhankelijkheid van tekstuele priors te doorbreken en de perceptie van relevante audiovisuele modaliteiten te versterken.
Dit paper introduceert BeyondSWE, een uitgebreid benchmark dat de beperkingen van huidige code-agenten in complexe, real-world scenario's blootlegt, en SearchSWE, een framework dat aantoont dat zoekfuncties niet altijd leiden tot betere prestaties.
In dit rapport wordt ACE-Brain-0 geïntroduceerd, een universeel multimodaal groot taalmodel dat ruimtelijke intelligentie als gedeeld fundament gebruikt om diverse fysieke implementaties, zoals autonoom rijden en robotica, te verenigen via het Scaffold-Specialize-Reconcile-paradigma en GRPO, waardoor state-of-the-art prestaties worden bereikt op 24 benchmarks.
Dit paper introduceert MOSAIC, een post-training framework dat agentic taalmodellen veilig maakt voor multi-stap toolgebruik door expliciete veiligheidsredenering en weigering als leerbare acties te integreren, wat resulteert in een aanzienlijke reductie van schadelijk gedrag en privacylekken zonder in te leveren op prestaties bij nuttige taken.
Dit onderzoek toont aan dat contrastieve sturing van grote taalmodellen kwetsbaar is voor kwaadwillende datasetcorruptie, maar dat deze kwetsbaarheid effectief kan worden gemitigeerd door het gebruik van robuuste schatters voor het berekenen van het gemiddelde.
Deze paper introduceert Density-Guided Response Optimization (DGRO), een methode die taalmodellen aanpast aan gemeenschapsnormen door gebruik te maken van impliciete acceptatiesignalen en de geometrische dichtheid in representatieruimtes, waardoor effectieve uitlijning mogelijk wordt zonder expliciete voorkeurslabels.
Deze studie toont aan dat feedback gegenereerd door AI op basis van automatisch afgeleide leervorderingen (learning progressions) even kwalitatief hoogwaardig is als feedback gebaseerd op door experts ontworpen rubrieken voor middelbare scholieren in de scheikunde.
Dit artikel onderzoekt de uitdagingen van hallucinaties en misinformatie door grote taalmodellen en schetst de noodzakelijke technologische, regelgevende en educatieve maatregelen om de waarheidsvinding in het tijdperk van generatieve AI te waarborgen.
Dit artikel evalueert het potentieel van ChatGPT als kwantitatieve co-pilot voor data science-werkstromen, waarbij de mogelijkheden voor exploratie, visualisatie en modellering worden geïllustreerd en de noodzaak van zorgvuldige overweging van de beperkingen wordt benadrukt.
Dit survey biedt een uitgebreide analyse van het gebruik van Large Language Model-agenten in financiële trading, waarbij het de huidige architecturen, data-inputs, prestaties en uitdagingen samenvat en toekomstige onderzoeksrichtingen schetst.
Dit paper introduceert SynthKG en Distill-SynthKG, een pipeline die synthetische document-KG-paren genereert om een kleiner model te trainen dat niet alleen superieure kennisgrafiek-kwaliteit levert ten opzichte van grotere baselines, maar ook de prestaties verbetert in zoekopdrachten en vraagbeantwoording via een nieuw grafiekgebaseerd ophaalframework.
Dit artikel introduceert en valideert een nieuwe familie van activeringsfuncties gebaseerd op orthonormale bases, waaronder polynomen en trigonometrische functies, die door middel van eenvoudige initialisatie stabiel kunnen worden getraind in diepe modellen zoals GPT-2 en ConvNeXt zonder explosie of verdwijning van gradiënten, terwijl ze tevens nauwkeurige benaderingen bieden voor klassieke activeringen die nuttig zijn voor fine-tuning.
Het paper introduceert AStar, een trainingsvrije methode voor multimodaal redeneren die door het gebruik van aanpasbare 'thought cards' complexe visuele taken efficiënter oplost dan bestaande zoek- of post-trainingstechnieken, zoals blijkt uit de verbeterde prestaties op wiskundige benchmarks ten opzichte van GPT-4o.
Deze paper introduceert een trainingsvrije methode die hallucinatiedetectie bij grote taalmodellen aanzienlijk verbetert door tijdens het bemonsteren ruis toe te voegen aan modelparameters of activaties om Bayesiaanse onzekerheid beter te benutten dan standaard token-bemonstering.
Dit paper introduceert LLM-ProS, een nieuwe evaluatiemethode die de prestaties van toonaangevende grote taalmodellen analyseert op ICPC-wedstrijdproblemen om hun redeneervermogen, nauwkeurigheid en efficiëntie te benchmarken.
Deze paper introduceert een robuust adaptatiekader voor grote multimodale modellen dat de prestaties en generalisatie bij het detecteren van hatelijke memes verbetert, terwijl het tegelijkertijd de interpretatievermogen en weerstand tegen adversariale aanvallen versterkt.
Deze paper introduceert MemeXplain, een nieuw dataset en een multi-stap optimalisatiestrategie voor Vision-Language Models, die de detectie van propagandistische en hatelijke memes in het Arabisch en Engels aanzienlijk verbetert door gelijktijdig labels te voorspellen en uitleg te genereren.
Deze paper introduceert een nieuwe reinforcement learning-methode die grote taalmodellen direct fine-tuned om hun antwoorden op feitelijke vragen te koppelen aan nauwkeurig gekalibreerde betrouwbaarheidsinschattingen, waardoor zowel over- als ondervertrouwen wordt gestraft en de modellen een algemeen bewustzijn van hun eigen zekerheid ontwikkelen.
Deze studie analyseert 92 open-source taalmodellen en toont aan dat het meenemen van ontwerpfactoren zoals data-samenstelling en architecturale keuzes, naast modelgrootte, de voorspelling van downstream-prestaties aanzienlijk verbetert en inzicht biedt in hoe specifieke ontwerpbeslissingen de eindcapaciteiten vormen.
Dit survey biedt een systematische review van de transformatieve rol van grote taalmodellen in de bio-informatica, waarbij recente vooruitgang, uitdagingen en toekomstige richtingen worden belicht om innovaties in de precisiegeneeskunde te stimuleren.