Automatische Schuldzuweisung in LLM-basierten Multi-Agenten-Systemen: Neue Forschung

Forscher der Pennsylvania State University und der Duke University haben in Zusammenarbeit mit Google DeepMind die Aufgabe der automatischen Fehlerzuweisung in LLM-basierten Multi-Agenten-Systemen eingeführt. Sie entwickelten den Who&When-Benchmark mit 127 Fehlerprotokollen und drei Zuweisungsmethoden (All-at-Once, Step-by-Step, Binary Search). Experimente zeigten, dass selbst die besten Modelle (GPT-4o, o1, DeepSeek R1) schlecht abschneiden: Die Genauigkeit bei der Identifizierung des verantwortlichen Agenten liegt bei etwa 53,5 %, und der Fehlerschritt beträgt nur 14,2 %.

Google/DeepMind Google DeepMind OpenAI DeepSeek

Was lernt word2vec wirklich? Forscher haben endlich eine exakte Lerntheorie

Forscher von BAIR (Berkeley Artificial Intelligence Research) haben die erste quantitative und prädiktive Theorie für den Lernprozess von word2vec entwickelt. Sie beweisen, dass sich das Training unter realistischen Bedingungen auf eine ungewichtete Kleinste-Quadrate-Matrixfaktorisierung reduziert, wobei die finalen Einbettungen durch eine Hauptkomponentenanalyse einer bestimmten, aus Korpusstatistiken abgeleiteten Matrix gegeben sind.

Berkeley Artificial Intelligence Research (BAIR)