APIGen-MT: Agentic Pipeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay 
培训有效的AI代理进行多转交互作用需要高质量的数据，以捕获现实的人类代理动力学，但是手动收集的数据却很少且昂贵。我们介绍了Apigen-MT，这是一个两阶段的框架，生成可验证和多样化的多转变代理数据。在第一阶段，我们的代理管道通过基本操作产生详细的任务蓝图，利用LLM审阅者委员会和迭代反馈循环 ...
0 0 0 2025/08/25 arXiv:2504.03601v4 zkq
mKG-RAG: Multimodal Knowledge Graph-Enhanced RAG for Visual Question Answering 
最近，提出了检索功能增强的生成（RAG），以通过将外部知识数据库纳入生成过程，以扩大多模式大语言模型（MLLMS）的内部知识，该过程被广泛用于基于知识的视觉问题答案（VQA）任务。尽管取得了令人印象深刻的进步，但基于香草抹布的VQA方法依赖于非结构化文档并忽略知识元素之间的结构关系经常引入无关紧要或误导性的内容，从而降低了答案的准确性和可靠性。为了克服这些挑战，一个有希望的解决方案是将多模式知识图 ...
0 0 0 2025/08/25 arXiv:2508.05318v1 18636279200
Searching for Quantum Solitons in a 3+1 Dimensional Chiral Yukawa Model 
我们在3+1尺寸的Yukawa模型中搜索通过重费稳定的静态孤子。我们计算重新归一化的能量功能，包括精确的一环量子校正，并对配置进行各种搜索，以最大程度地减少固定费米数的能量。我们使用相位移位参数化计算量子校正，在该参数中，我们通过识别具有相应Feynman图的天生系列的顺序来重新归一化 ...
0 0 0 2025/08/25 arXiv:hep-th/0112217v1 Jerrymoe
ReaL: Efficient RLHF Training of Large Language Models with Parameter Reallocation 
人类反馈强化学习 (RLHF) 是支持大型语言模型 (LLM) 应用程序的关键技术。由于 RLHF 涉及不同的计算工作负载以及多个 LLM 之间复杂的依赖关系，因此直接采用监督训练中的并行化技术可能会导致性能不佳。为了克服这个限制，我们提出了一种名为参数ReaLlocation的新方法，它动态地重新分配集群中的LLM参数并在训练期间适应并行化策略 ...
0 0 0 2025/08/25 arXiv:2406.14088v2 shuowoshishui
Mini-Omni-Reasoner: Token-Level Thinking-in-Speaking in Large Speech Models 
推理对于有效的沟通和决策至关重要。尽管LLM和MLLM的最新进展表明，合并显式推理可显着改善理解和概括，但LSMS中的推理仍处于新生的阶段。早期的努力试图将“以前的思维”范式从文本模型转移到语音 ...
0 0 0 2025/08/25 arXiv:2508.15827v1 zhangqi33
Studying Product Competition Using Representation Learning 
在产品水平而不是品牌水平上研究竞争和市场结构可以为企业提供有关蚕丝化和产品线优化的见解。但是，在电子商务平台上分析数百万个产品的产品级竞争在计算上具有挑战性。我们介绍了基于表示算法Word2Vec的Product2VEC，以研究产品级竞争，当时产品级时 ...
0 0 0 2025/08/25 arXiv:2005.10402v1 yushun
CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society 
基于聊天的语言模型的快速发展导致复杂的任务解决方案取得了显着进步。但是，他们的成功在很大程度上取决于人类的意见来指导对话，这可能是充满挑战和耗时的。本文探讨了建筑可扩展技术的潜力，以促进交流代理之间的自主合作，并洞悉其“认知”过程 ...
0 0 0 2025/08/25 arXiv:2303.17760v2 LLL
Toward Robust Incomplete Multimodal Sentiment Analysis via Hierarchical Representation Learning 
多模式情感分析（MSA）是一个重要的研究领域，旨在通过多种方式理解和认识人类情感。与仅利用单一模态相比，多模式融合提供的互补信息可促进更好的情感分析。然而，在实际应用中，许多不可避免的因素可能导致不确定的方式缺失，从而阻碍了多模式建模的有效性并降低了模型的性能 ...
0 0 0 2025/08/25 arXiv:2411.02793v1 蛙isme

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）