Suche nach autoregressive Modelle

Zwei-Stream-Attention: Schlüssel zum Erfolg bei Any-Order Autoregressive Modellen

Any-Order Autoregressive Models (AO-ARMs) eröffnen einen vielversprechenden Weg zu effizienter maskierter Diffusion, indem sie native Key‑V…

arXiv – cs.LG 19.02.2026 05:00

Forschung

LLMs: Richtig aus falschen Gründen – neue Technik verhindert Rung‑Collapse

In einer kürzlich veröffentlichten Studie auf arXiv wird aufgezeigt, warum große Sprachmodelle oft „richtig“ antworten, obwohl sie dies aus…

arXiv – cs.AI 13.02.2026 05:00

Forschung

V-STAR: Wertgesteuerte Stichprobe und Optimierung für generative Empfehlungen

Autoregressive Modelle haben die Suche und das Ranking in einem einzigen generativen Rahmen vereint. Beim Feintuning dieser Modelle mit Rei…

arXiv – cs.AI 12.02.2026 05:00

Forschung

Autoregressive Modelle revolutionieren die Generierung von Wissensgraphen

Ein neuer Beitrag auf arXiv (2602.06707v1) stellt ARK – Auto‑Regressive Knowledge Graph Generation – vor, eine Familie von Modellen, die Wi…

arXiv – cs.AI 09.02.2026 05:00

Forschung

Mechanismuswechsel: Post-Training von ARMs zu Masked Diffusion Modellen

In einer wegweisenden Studie wurde gezeigt, dass das Post‑Training von autoregressiven Sprachmodellen (ARMs) zu Masked Diffusion Modellen (…

arXiv – cs.LG 22.01.2026 05:00

Forschung

AGDC: Modell für diskrete & kontinuierliche Sequenzen – hochpräzise Generierung

Ein neues Forschungsprojekt namens AGDC (Autoregressive Generierung von variablen Sequenzen mit gemeinsamen diskreten und kontinuierlichen…

arXiv – cs.LG 12.01.2026 05:00

Forschung

Cornserve: Effiziente Bereitstellung von Any-to-Any Multimodal-Modellen

Cornserve ist ein neues Online‑Serving‑System, das speziell für die wachsende Klasse von Any-to-Any Multimodal‑Modellen entwickelt wurde. D…

arXiv – cs.LG 17.12.2025 05:00

Forschung

Soft-Token-Vorhersagen reduzieren Bias und Risiko in Zeitreihenprognosen Autoregressive Modelle sind das Herzstück der prädiktiven Steuerung bei Diabetes- und hämodynamischen Anwendungen, wo unterschiedliche Betriebszonen mit variierenden klinischen Risiken verbunden sind. Traditionelle Modelle, die mit Teacher‑Forcing trainiert werden, leiden unter Exposure Bias, was zu instabilen Mehrschrittvorhersagen führt und die Sicherheit in geschlossenen Regelkreisen gefährdet. Die neue Methode Soft

arXiv – cs.LG 12.12.2025 05:00

Forschung

CFO: Kontinuierlicher Neural-Operator lernt PDE-Dynamik ohne Fehlerakkumulation

Ein neues Verfahren namens Continuous Flow Operator (CFO) ermöglicht es, die Dynamik zeitabhängiger partieller Differentialgleichungen (PDE…

arXiv – cs.AI 08.12.2025 05:00

Forschung

Mesh RAG: Retrieval-basierte Optimierung für Autoregressive Mesh-Generierung

3‑D‑Meshes bilden das Fundament zahlreicher moderner Anwendungen – von der industriellen Produktgestaltung über Videospiele bis hin zu Simu…

arXiv – cs.AI 24.11.2025 05:00

Forschung

Von klassischen PLVMs zu modernen generativen KI-Modellen: Ein einheitlicher Blick

Die neueste Veröffentlichung auf arXiv (2508.16643v1) präsentiert einen einheitlichen Rahmen, der klassische probabilistische latente Varia…

arXiv – cs.LG 26.08.2025 05:00

Finde Modelle, Firmen und Themen

Zwei-Stream-Attention: Schlüssel zum Erfolg bei Any-Order Autoregressive Modellen

LLMs: Richtig aus falschen Gründen – neue Technik verhindert Rung‑Collapse

V-STAR: Wertgesteuerte Stichprobe und Optimierung für generative Empfehlungen

Autoregressive Modelle revolutionieren die Generierung von Wissensgraphen

Mechanismuswechsel: Post-Training von ARMs zu Masked Diffusion Modellen

AGDC: Modell für diskrete & kontinuierliche Sequenzen – hochpräzise Generierung

Cornserve: Effiziente Bereitstellung von Any-to-Any Multimodal-Modellen

CFO: Kontinuierlicher Neural-Operator lernt PDE-Dynamik ohne Fehlerakkumulation

Mesh RAG: Retrieval-basierte Optimierung für Autoregressive Mesh-Generierung

Von klassischen PLVMs zu modernen generativen KI-Modellen: Ein einheitlicher Blick

🍪 Cookie-Einstellungen