7 Nachrichten — 🟡 4 wichtig , 🟢 3 interessant
Eine neue Arbeit stellt PoE-Bridge vor, ein Decoding-Framework, das Diffusions- und autoregressive Sprachmodelle ueber eine Product-of-Experts-Verteilung verbindet. Die Methode erzielt eine 5×-Beschleunigung gegenueber dem Standard-Diffusions-Decoding und stellt dabei mindestens 95% der Leistung des Zielmodells wieder her.
Eine neue Arbeit identifiziert drei wiederkehrende Dynamiken im RL-Training von Reasoning-Modellen und schlaegt CoDaPO vor, eine Methode, die Fragen nach Konfidenz und Schwierigkeit gewichtet. Durch Priorisierung lernbarer Fragen erzielt sie konsistente Verbesserungen ueber 12 Benchmarks.
Eine neue Arbeit stellt AI-MASLD vor, ein aus der Hepatologie entlehntes Stress-Audit-Framework zur Bewertung klinischer LLMs. Tests von 7 Modellen an 240 Faellen zeigen, dass die Modelle unter narrativem Stress stark divergieren, waehrend medizinisches Fine-Tuning Stabilitaet und Fairness systematisch verschlechtert.
Eine neue Arbeit deckt einen gemeinsamen latenten Mechanismus ueber verschiedene Backdoor-Angriffe auf grosse Sprachmodelle hinweg auf. Sparse Autoencoder erkennen konsistente Merkmale, die ueber Qwen3, Gemma 3 und Llama 3.1 generalisieren, waehrend leichtgewichtige Klassifikatoren eine Zero-Shot-Erkennung ungesehener Backdoors erreichen.
Eine neue Arbeit stellt Patcher vor, eine Verteidigung von Open-Weight-Sprachmodellen gegen boesartiges Fine-Tuning. Anders als bestehende Verteidigungen, die an Full-Parameter-Angriffen scheitern, verbessert Patcher durch adversariales Training und Bi-Level-Optimierung die Robustheit erheblich und generalisiert ueber Angriffsszenarien hinweg.
