Neuste Artikel für Sprachmodelle

Ein neues Framework verbessert, wie LLM-Agenten lernen, durch detaillierte Prozessanleitungen.

Wir stellen RePrompt vor, um die Leistung von Sprachmodellen durch optimierte Aufforderungen zu verbessern.

Ein neuer Massstab bewertet, wie Sprachmodelle mit Textänderungen umgehen.

Nutzermerkmale beeinflussen die Antworten von Sprachmodellen und deren Sicherheit.

Ein Toolkit zur Bewertung der Leistung von retrieval-unterstützten Modellen in bestimmten Bereichen.

Diese Studie zeigt, wie Sprachmodelle ihr Verhalten während des Trainings ändern.

Dieser Artikel untersucht Möglichkeiten, die Planungsfähigkeiten in grossen Sprachmodellen zu verbessern.

DetectBench bewertet LLMs danach, wie gut sie versteckte Hinweise in Denksportaufgaben erkennen können.

Untersuchen, wie die Aktivierung von Neuronen das arithmetische Denken in grossen Sprachmodellen verbessert.

Ein neues Modell erzeugt tschechische Poesie mit verbessertem Reim und Rhythmus.

Ein neuer Massstab bewertet die Denkfähigkeiten von Sprachmodellen.

Eine Studie darüber, wie Sprachmodelle überzeugende Begründungen für die Bewertung von Argumenten erzeugen.

Diese Studie bewertet die Ehrlichkeit von LLMs in drei wichtigen Bereichen.

Dieser Artikel untersucht, wie Gegner die Teamarbeit zwischen Sprachmodellen beeinflussen.

Eine umfassende Studie zur Leistungsfähigkeit von Sprachmodellen in 10 indischen Sprachen.

Eine neue Methode verbessert die Code-Reparatur für wenig genutzte Programmiersprachen.

Erforschen, wie Aufmerksamkeitssenkungen die Leistung von Sprachmodellen beeinflussen und eine Kalibrierungstechnik vorstellen.

RankAdaptor optimiert das Fine-Tuning für beschnittene KI-Modelle und verbessert die Leistung effizient.

Eine Studie über PlagBench und seine Rolle bei der Erkennung von Plagiaten in LLM-Ausgaben.

Neues Dataset bewertet die Fähigkeit von LLMs für komplexe logische Denkaufgaben.

Diese Forschung untersucht, wie Denkfähigkeiten zwischen Sprachen in Sprachmodellen übertragen werden.

Dieser Artikel behandelt, wie KI-Modelle aus Fehlern durch Selbstkorrektur lernen.

Diese Studie bewertet, wie gut LLMs über Himmelsrichtungen nachdenken.

Diese Studie bewertet, wie gut LLMs Entscheidungen in einem Spielsetting treffen können.

Studie zeigt, wie Benutzermerkmale die Antworten und die Genauigkeit von LLM beeinflussen.

CharED kombiniert Sprachmodelle für bessere Leistung ohne gemeinsame Vokabulare.

RAGBench bringt ein umfangreiches Dataset zur Bewertung von Retrieval-Augmented Generation-Systemen.

Die Erkundung von Fairnessproblemen in KI-Sprachmodellen und deren Auswirkungen.

Ein Werkzeug zur Verbesserung der Sicherheit in Interaktionen mit Sprachmodellen.

Dieser Artikel untersucht die Erkennung von Fehlern in den von Sprachmodellen verwendeten Werkzeugen.

Dieser Artikel analysiert sich wiederholende Strukturen in Texten, die von Sprachmodellen generiert wurden.

Ein neuer Massstab bewertet, wie gut Sprachmodelle mehrere Anweisungen in Folge befolgen.

Das MalAlgoQA-Dataset bewertet das Denken von grossen Sprachmodellen in kontrafaktischen Szenarien.

MathCAMPS bietet eine neue Möglichkeit, mathematisches Denken in Sprachmodellen zu bewerten.

Diese Arbeit konzentriert sich auf bessere Zahlenrepräsentation mit Digit-Embeddings für verbesserte Vorhersagen.

Die Effektivität von LLMs bei Entscheidungsfindung in Dueling Bandits-Szenarien erkunden.

Ein neuer Massstab zur Bewertung grosser Sprachmodelle in der Hypothesentests.

CRAB verbessert das Testen von Sprachmodellen in realen Umgebungen.

Feinabstimmung grosser Sprachmodelle direkt auf Smartphones, während die Nutzerdaten geschützt bleiben.

Eine Übersicht über mechanistische Interpretierbarkeit in transformerbasierten Sprachmodellen.