Forschung
Publikationen unseres Teams.
Publikationen von Teammitgliedern, verfasst an ihren Universitäten und Labors vor oder neben ihrer Arbeit bei Datarena.
-
One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench
Macht aus einer einzelnen Anweisung eine eigene mehrstufige Testsuite; Modell-Rankings und Fehlermuster ändern sich von einer Anweisung zur nächsten.
-
Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning
Reinforcement Learning, das multimodalen Modellen beibringt, wann sie im latenten visuellen Raum und wann in Text schlussfolgern sollen.
-
To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models
Ein rubrikbasierter Reward, der Vision-Language-Modellen beibringt, sich bei Fragen zu enthalten, die sie nicht beantworten können, gemessen auf einem neuen Benchmark, Reliable-V-Bench.
-
CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models
Fine-Tuning, das Aufgabenmodelle leichter zusammenführbar macht: Jede Aufgabe aktualisiert eine dünn besetzte Menge von Parametern mit wenig Konflikten zwischen den Aufgaben, und zusammengeführte Multi-Task-Modelle übertreffen solche aus Standard-Fine-Tuning.
-
From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning
Relative Rangfolgen statt absoluter Scores als Reward im gruppenbasierten Reinforcement Learning.
-
Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning
Ein Reasoning-Parameter in jeder Funktionssignatur bringt das Modell dazu, nachzudenken, bevor es ein Argument ausfüllt, ohne Änderung am Modell und mit voller API-Kompatibilität.
-
Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence
Online-Distillation, bei der Schüler dem folgen, worin die Lehrer übereinstimmen, und Lehrer bewahren, was sie voneinander unterscheidet.
-
Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA
Ein Sprachmodell wählt die visuellen Entitäten aus, die eine Frage benötigt, sodass das Retrieval den Rest des Bildes ignoriert.