Neuer Graph-Transformer mit serialisierten Graph-Tokens erzielt Rekordleistungen Ein neuer Ansatz für Graph-Transformer, der auf serialisierten Graph-Tokens basiert, hat die Grenzen der graphbasierten Lernverfahren neu definiert. Durch die Umwandlung von Knoteninformationen in eine sequenzielle Token-Repräsentation nutzt das Modell die volle Kraft der Selbstaufmerksamkeit, um komplexe Interaktionen zwischen Knoten zu erfassen. arXiv – cs.AI 11.02.2026 05:00
SuS: Strategieorientierte Überraschung steigert intrinsische Exploration im RL In einer neuen Veröffentlichung auf arXiv wird das Konzept „Strategy-aware Surprise“ (SuS) vorgestellt, ein innovatives Framework zur intrinsischen Motivation in Reinforcement‑Learning‑Systemen. SuS nutzt die Diskrepanz zwischen Vorhersagen vor und nach einer Handlung als Signal für Neuheit, anstatt sich ausschließlich auf die Fehler bei der Zustandsvorhersage zu stützen. arXiv – cs.LG 16.01.2026 05:00
Neue Lernmethode steigert OCR-Leistung bei formatierten Dokumenten Die Erkennung von Text in Bildern und gescannten Dokumenten bleibt ein zentrales Forschungsfeld. Trotz moderner OCR‑Modelle zeigen sich bei formatierten Inhalten wie Formeln oder Tabellen deutlich höhere Unsicherheiten, die die Genauigkeit stark beeinträchtigen. arXiv – cs.AI 15.01.2026 05:00
TIGER: Dynamische Graphen steigern Multi-Agenten-Lernen In einer neuen Veröffentlichung auf arXiv wird das Konzept TIGER vorgestellt, das temporale Informationen in Multi-Agenten-Reinforcement-Learning (MARL) durch graphbasierte Einbettungen nutzt. Das Verfahren modelliert explizit, wie Koordinationsstrukturen zwischen Agenten im Zeitverlauf wechseln, anstatt sich auf statische oder schrittweise Relationen zu beschränken. arXiv – cs.LG 13.11.2025 05:00
AgenticDRS: KI-gestützte Designbewertung mit kollaborativen Agenten In der Welt des Grafikdesigns ist die Bewertung von Arbeiten bislang stark von subjektiven Einschätzungen einzelner Experten abhängig. Das neue System Agentic Design Review System (AgenticDRS) löst dieses Problem, indem es mehrere KI‑Agenten zusammenarbeiten lässt, um ein Design aus verschiedenen Blickwinkeln zu analysieren. Ein übergeordnetes Meta‑Agent steuert die Koordination und sorgt dafür, dass die einzelnen Agenten ihre jeweiligen Fachkenntnisse einbringen. arXiv – cs.AI 15.08.2025 05:00
Open Deep Research Agent erreicht mit ODR+ 10 % Erfolg bei neuem Benchmark Deep Research Agents (DRAs) sind KI‑Systeme, die aus einer natürlichen Sprachaufforderung des Nutzers eigenständig im Internet nach relevanten Informationen suchen und diese nutzen, um die Aufgabe zu lösen. Obwohl aktuelle DRAs beeindruckende Leistungen auf öffentlichen Benchmarks zeigen, sind die meisten dieser Systeme proprietär und nicht offen zugänglich. arXiv – cs.AI 15.08.2025 05:00
