Suche nach LLM agents | meineki.news

EvoTool: Selbstoptimierung von Tool‑Nutzungsstrategien in LLM-Agenten

LLM‑basierte Agenten brauchen effektive Tool‑Nutzungsstrategien, um komplexe Aufgaben zu lösen. Die Optimierung dieser Strategien ist jedoc…

arXiv – cs.AI 06.03.2026 05:00

Forschung

Adaptive Memory Admission Control: Mehr Kontrolle für LLM-Agenten

In der rasanten Entwicklung von KI-Agenten wird die Fähigkeit, langfristige Erinnerungen zu nutzen, immer wichtiger. Doch bislang fehlt es…

arXiv – cs.AI 06.03.2026 05:00

Forschung

Mozi: Kontrollierte Autonomie für KI-Agenten in der Wirkstoffforschung

Die neueste Veröffentlichung von Mozi eröffnet einen vielversprechenden Weg, künstliche Intelligenz in der Wirkstoffforschung sicher und zu…

arXiv – cs.AI 05.03.2026 05:00

Forschung

AriadneMem: Revolutionäres Gedächtnissystem für LLM-Agenten

In der Welt der großen Sprachmodelle (LLM) ist ein zuverlässiges Gedächtnis entscheidend, wenn Agenten über lange Zeiträume hinweg handeln…

arXiv – cs.AI 05.03.2026 05:00

Forschung

PlugMem: Aufgabenunabhängiges Speicher-Plugin für LLM-Agenten

Langfristiges Gedächtnis ist für große Sprachmodelle (LLM), die in komplexen Umgebungen arbeiten, unverzichtbar. Bisherige Speicherlösungen…

arXiv – cs.AI 05.03.2026 05:00

Forschung

RAPO: Erkundung von LLM-Agenten durch Retrieval‑gestützte Optimierung

Agentic Reinforcement Learning (Agentic RL) hat das Potenzial, große Sprachmodelle (LLM) zu leistungsstarken Agenten zu machen, die komplex…

arXiv – cs.AI 04.03.2026 05:00

Forschung

Neue Bewertungsmethode deckt versteckte Fehler bei KI-Agenten auf

In hochriskanten Einsatzbereichen werden KI‑Agenten, die auf großen Sprachmodellen (LLMs) basieren, immer häufiger eingesetzt. Bisher messe…

arXiv – cs.AI 04.03.2026 05:00

Forschung

Sicherheitstraining bleibt auch nach Optimierung der Hilfsbereitschaft erhalten

In einer neuen Untersuchung auf arXiv wird gezeigt, dass die Sicherheit von Sprachmodellen in mehrstufigen, tool‑basierten Agenten auch dan…

arXiv – cs.LG 04.03.2026 05:00

Forschung

HiMAC: Hierarchisches Lernen für LLM-Agenten in Langzeitaufgaben

In einer neuen Veröffentlichung auf arXiv präsentiert HiMAC ein innovatives, hierarchisches Lernframework, das Large Language Model (LLM)-A…

arXiv – cs.AI 03.03.2026 05:00

Forschung

EmCoop: Rahmenwerk und Benchmark für kooperative LLM-Agenten in realen Umgebungen

In einer Welt, in der komplexe Aufgaben immer häufiger mehrere physische Agenten erfordern, hat das neue EmCoop-Framework einen wichtigen S…

arXiv – cs.AI 03.03.2026 05:00

Forschung

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

In der Welt der Graph Neural Networks (GNNs) ist das Training großer Modelle ein komplexes Unterfangen. Traditionell werden dabei Nachbarn…

arXiv – cs.LG 02.03.2026 05:00

Forschung

LLM-Agenten mit lernbasierter Experteninteraktion deutlich leistungsfähiger

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz hat gezeigt, dass große Sprachmodelle (LLM) durch gezielte Zusammen…

arXiv – cs.AI 27.02.2026 05:00

Forschung

Tool‑R0: Selbstlernende LLM‑Agenten entwickeln sich ohne Daten

In einer wegweisenden Veröffentlichung präsentiert Tool‑R0 ein völlig neues Konzept für die Ausbildung von Sprachmodell‑Agenten, die eigens…

arXiv – cs.LG 26.02.2026 05:00

Forschung

OptiRepair: KI-Agenten beheben Lieferkettenmodelle zuverlässig

OptiRepair ist eine neu entwickelte KI-gestützte Methode, die die Diagnose und Reparatur von Lieferkettenoptimierungsmodellen automatisiert…

arXiv – cs.AI 24.02.2026 05:00

Forschung

Neues Benchmark: Testzeit‑Skalierung von generellen LLM‑Agenten untersucht

Wissenschaftler haben ein neues Benchmark namens General AgentBench vorgestellt, das die Leistungsfähigkeit von großen Sprachmodell‑Agenten…

arXiv – cs.AI 24.02.2026 05:00

Forschung

Warnung: Textsicherheit reicht nicht für sichere Tool‑Aufrufe in LLM‑Agenten

Eine neue Studie, die auf arXiv veröffentlicht wurde, liefert einen alarmierenden Weckruf für Entwickler von Sprachagenten: Die Sicherheit…

arXiv – cs.AI 20.02.2026 05:00

Forschung

AgentLAB: Benchmark für LLM-Agenten gegen langzeitige Angriffe

Mit der zunehmenden Verbreitung von LLM‑Agenten in komplexen, langfristigen Umgebungen entstehen neue Sicherheitsrisiken. Angriffe, die meh…

arXiv – cs.AI 20.02.2026 05:00

Forschung

Neue Methode: Proxy-State-Bewertung für skalierbare, überprüfbare LLM-Agenten

In der Praxis kommen interaktive Sprachmodelle immer häufiger als Agenten zum Einsatz, die über mehrfache Dialogschritte hinweg komplexe We…

arXiv – cs.AI 19.02.2026 05:00

Forschung

AgriWorld: KI-Framework für landwirtschaftliche Analyse mit LLM-Agenten

In der Landwirtschaft werden immer mehr große Sprachmodelle (LLMs) mit umfangreichen, zeitlich und räumlich vernetzten Daten wie multispekt…

arXiv – cs.AI 18.02.2026 05:00

Forschung

LLM-Agenten mit Tool-Integration: Lineare Fehlerentwicklung nach Martingale-Analyse In einer neuen Studie von Forschern auf arXiv wird erstmals ein theoretisches Modell vorgestellt, das die Fehlerentwicklung von KI-Agenten, die externe Tools nutzen, systematisch untersucht. Die Autoren zeigen, dass die kumulative Verzerrung bei solchen Agenten linear mit der Anzahl der Tool-Aufrufe wächst, während die Abweichungen mit hoher Wahrscheinlichkeit im Rahmen von O(√T) bleiben. Dieses Ergebnis s

arXiv – cs.AI 17.02.2026 05:00

Forschung

CogRouter: Dynamische Tiefenanpassung für LLM-Agenten erhöht Effizienz und Erfolg

Large Language Models (LLMs) werden zunehmend als autonome Agenten eingesetzt, um komplexe Mehrschritt-Entscheidungsaufgaben zu lösen. Dabe…

arXiv – cs.AI 16.02.2026 05:00

Forschung

ReplicatorBench: KI-Agenten auf Replizierbarkeit in Sozialwissenschaften getestet

In einer Zeit, in der KI-Agenten immer häufiger zur automatisierten Bewertung wissenschaftlicher Arbeiten eingesetzt werden, eröffnet der n…

arXiv – cs.AI 13.02.2026 05:00

Forschung

TSR: Trajektorien‑Suche verbessert Multi‑Turn RL für LLM‑Agenten

Die neuesten Fortschritte bei großen Sprachmodellen (LLMs) führen zu einem Paradigmenwechsel: Statt statischer Trainingsdaten werden Agente…

arXiv – cs.AI 13.02.2026 05:00

Forschung

AgentNoiseBench: Messung der Robustheit von LLM-Agenten in lauten Umgebungen

Hier ist der Text, wie er bereits auf Deutsch vorliegt: > **Einführung in die KI-Entwicklung mit Python** > **Kapitel 1: Grundlagen der KI*…

arXiv – cs.AI 13.02.2026 05:00

Forschung

Neues Benchmark-Tool prüft, wie LLM-Agenten ihr Langzeitgedächtnis strukturieren

In der Welt der KI-Agenten, die auf großen Sprachmodellen (LLMs) basieren, spielt das Langzeitgedächtnis eine zentrale Rolle. Es speichert…

arXiv – cs.LG 13.02.2026 05:00

Forschung

Selbstoptimierendes Empfehlungssystem: Vollautomatische LLM-Agenten

Die Optimierung von Empfehlungssystemen für weltweite Video-Plattformen stellt Entwickler vor eine enorme Herausforderung: ein riesiges Hyp…

arXiv – cs.LG 12.02.2026 05:00

Forschung

PABU: Fortschrittsorientiertes Update steigert Effizienz von LLM-Agenten

Ein neues arXiv-Papier (2602.09138v1) präsentiert PABU – ein innovatives Belief‑State‑Framework, das die Leistungsfähigkeit von Large‑Langu…

arXiv – cs.AI 11.02.2026 05:00

Forschung

Agent-Omit: Training von LLM-Agenten zur adaptiven Auslassung von Gedanken

Eine neue Veröffentlichung aus Hongkong und Hongkong präsentiert Agent‑Omit, ein Trainingsframework, das große Sprachmodelle (LLM) dazu bef…

arXiv – cs.AI 05.02.2026 05:00

Forschung

Wie Überzeugung von KI‑Agenten ihre Aufgaben beeinflusst

Moderne KI‑Agenten verbinden zunehmend Gespräche mit eigenständiger Aufgabenausführung – sei es beim Programmieren oder bei Web‑Recherchen…

arXiv – cs.AI 03.02.2026 05:00

Forschung

LLM-Agenten zeigen beeindruckende Schritt-für-Schritt‑Logik bei kurzen Aufgaben, doch sobald die Planung mehrere Schritte vorausgehen muss, geraten sie in eine myope Haltung. In einer neuen Analyse wird erklärt, warum diese „greedy“ Vorgehensweise bei langen Entscheidungswegen versagt: Jede Aktion wird nur im Blick des nächsten Schritts bewertet, ohne die verzögerten Konsequenzen zu berücksichtigen.

Um dieses Problem zu lösen, wurde FLARE – Future‑aware Lookahead with Reward Estimation – entwickelt. FLARE integriert expliziten Lookahead…

arXiv – cs.AI 02.02.2026 05:00

Finde Modelle, Firmen und Themen

EvoTool: Selbstoptimierung von Tool‑Nutzungsstrategien in LLM-Agenten

Adaptive Memory Admission Control: Mehr Kontrolle für LLM-Agenten

Mozi: Kontrollierte Autonomie für KI-Agenten in der Wirkstoffforschung

AriadneMem: Revolutionäres Gedächtnissystem für LLM-Agenten

PlugMem: Aufgabenunabhängiges Speicher-Plugin für LLM-Agenten

RAPO: Erkundung von LLM-Agenten durch Retrieval‑gestützte Optimierung

**Neue Bewertungsmethode deckt versteckte Fehler bei KI-Agenten auf**

Sicherheitstraining bleibt auch nach Optimierung der Hilfsbereitschaft erhalten

HiMAC: Hierarchisches Lernen für LLM-Agenten in Langzeitaufgaben

EmCoop: Rahmenwerk und Benchmark für kooperative LLM-Agenten in realen Umgebungen

Rudder: LLM-Agenten steuern Prefetching in verteiltem GNN-Training

LLM-Agenten mit lernbasierter Experteninteraktion deutlich leistungsfähiger

Tool‑R0: Selbstlernende LLM‑Agenten entwickeln sich ohne Daten

OptiRepair: KI-Agenten beheben Lieferkettenmodelle zuverlässig

Neues Benchmark: Testzeit‑Skalierung von generellen LLM‑Agenten untersucht

Warnung: Textsicherheit reicht nicht für sichere Tool‑Aufrufe in LLM‑Agenten

AgentLAB: Benchmark für LLM-Agenten gegen langzeitige Angriffe

Neue Methode: Proxy-State-Bewertung für skalierbare, überprüfbare LLM-Agenten

AgriWorld: KI-Framework für landwirtschaftliche Analyse mit LLM-Agenten

CogRouter: Dynamische Tiefenanpassung für LLM-Agenten erhöht Effizienz und Erfolg

ReplicatorBench: KI-Agenten auf Replizierbarkeit in Sozialwissenschaften getestet

TSR: Trajektorien‑Suche verbessert Multi‑Turn RL für LLM‑Agenten

AgentNoiseBench: Messung der Robustheit von LLM-Agenten in lauten Umgebungen

Neues Benchmark-Tool prüft, wie LLM-Agenten ihr Langzeitgedächtnis strukturieren

Selbstoptimierendes Empfehlungssystem: Vollautomatische LLM-Agenten

PABU: Fortschrittsorientiertes Update steigert Effizienz von LLM-Agenten

Agent-Omit: Training von LLM-Agenten zur adaptiven Auslassung von Gedanken

Wie Überzeugung von KI‑Agenten ihre Aufgaben beeinflusst

🍪 Cookie-Einstellungen

Neue Bewertungsmethode deckt versteckte Fehler bei KI-Agenten auf