Verfolge KI. Verstehe, was wichtig wird.

MixAtlas: Optimierung multimodaler Datenmischungen für LLMs mit Unsicherheit

Die neue Methode MixAtlas eröffnet einen bislang wenig erforschten Ansatz zur Optimierung von Datenmischungen im mittleren Training multimo…

KI-Agenten und menschliche Kontrolle: Automatisierte GDPR-Formalisation

Eine neue Studie zeigt, wie große Sprachmodelle (LLMs) in Kombination mit menschlicher Kontrolle die Formalisierung von GDPR-Regelungen aut…

KI-Agenten bauen eigenständig wissenschaftliche Tools für Quantenchemie

Die Kombination aus großen Sprachmodellen und agentischen Arbeitsabläufen verspricht, den wissenschaftlichen Entdeckungsprozess zu beschleu…

Neues Herzschlag-System optimiert KI-Agenten: Proaktive, adaptive Planung

In einer bahnbrechenden Veröffentlichung auf arXiv wird ein neues Herzschlag‑getriebenes Scheduling‑Modul vorgestellt, das die Arbeitsweise…

LLM-basierte Suchagenten verbessern: Beitrag-gewichtete GRPO

Die neuesten Fortschritte in der KI zeigen, dass große Sprachmodelle (LLMs) nicht mehr nur auf statisches Wissen beschränkt sind. Durch den…

Neues Paradigma: Value Gradient Flow revolutioniert Reinforcement Learning

In der Welt des Reinforcement Learning (RL) steht die Vermeidung von überoptimierten Werten im Fokus, wenn Modelle außerhalb ihres Training…

UEC-RL: Entropie-Steuerung steigert Exploration im Reinforcement Learning

Reinforcement Learning (RL) hat in den letzten Jahren die Denkfähigkeiten großer Sprach- und Vision‑Language‑Modelle deutlich vorangebracht…

SGA-MCTS: Planung ohne Fine‑Tuning – LLMs erreichen System‑2‑Logik in Echtzeit

In der Welt der großen Sprachmodelle (LLMs) ist die Fähigkeit, komplexe Aufgaben in mehreren Schritten zu lösen, entscheidend. Traditionell…

Speculative Decoding: Wie Aufgabenarten die Akzeptanz bei LLMs beeinflussen

Die neueste Studie zum Speculative Decoding zeigt, dass die Art einer Aufgabe entscheidender für die Akzeptanzrate eines großen Sprachmodel…

Prompt-Optimierung in KI-Systemen: Zufall oder gezielte Chance?<br/><p>Eine neue Studie von Forschern auf arXiv zeigt, dass die Optimierung von Prompt-Ketten in komplexen KI-Systemen statistisch kaum besser ist als ein Münzwurf. Bei 72 Versuchen mit dem Modell Claude Haiku erreichten 49 % der Optimierungen schlechtere Ergebnisse als die reine Zero‑Shot‑Methode; bei Amazon Nova Lite war die Fehlerrate sogar noch höher.</p><p>Interessanterweise verbesserte sich bei einer einzigen Aufgabe jede der sechs getest

Evo-MedAgent: LLM-Agent mit Lern‑Speicher verbessert Röntgen‑Diagnosen

In der medizinischen Bildgebung setzen moderne Sprachmodelle zunehmend auf externe Werkzeuge wie Klassifikatoren, Segmentierungsmodelle und…