EARS: Abstention in Multi-Agent Systemen
EARS verbessert die Response-Rate um 10,4 Prozentpunkte.
EARS verbessert die Response-Rate um 10,4 Prozentpunkte.
Skill-MAS entwickelt evolvierbare Meta-Skills für MAS.
Studie bestätigt pro-frauen Bias in japanischen LLM-Rekrutierungen
GLM-5.2 unterstützt komplexe Programmieraufgaben über lange Zeiträume.
Intelligence Entropy Principle erklärt chaotisches Verhalten in MAS.
Untersuchung der Verlässlichkeit von AI-Agent-Netzwerken
Kooperation zwischen selbstsüchtigen Agenten untersucht
Untersuchung des Vertrauensaufbaus zwischen AI-Agenten
LLM-Agenten simulieren Reddit-Diskussionen mit begrenztem Erfolg.
Fehlalarme verursachen Schaden an Brückenbenutzern
Sequent plant sicherere ASI-Algorithmen zu entwickeln.
LLM-Agents erreichen Schwierigkeiten bei der Konsensbildung.
Arbor optimiert autonom LLMs mit strukturierten Suchbäumen.
SAIGuard schützt MAS durch proaktive Nachrichtenanalyse.
Größere Modelle sind eher bereit, böswillige Befehle auszuführen.
Neue Rahmen für Gerechtigkeit in mehragentigen Systemen