Messbare Fehler in LM-Agenten
Messbare Fehler bei Exploration und Exploitation in LM-Agenten untersucht
Netfind
Ergebnisse
451 Einträge gefunden.
Verantwortungsallokation in Multi-Agenten-Systemen
Probabilistisches Modell zur Allokation von Verantwortung
AI-Agenten-Integration
Identifiziert Lücken im MCP und schlägt neue Mechanismen vor.
AI Erodiert Kundenbasis
AI ersetzt Mitarbeiter und Kunden.
Harness Engineering für Agenten
Harness Engineering ist ein neues Ingenieurwesen zur Entwicklung zuverlässiger agenter Software.
Automatisierte Verhandlungen 2025
ANAC 2025 präsentiert Hauptforderungen und Ergebnisse.
Claude Mythos in Cybersecurity
Claude erschüttert Cybersicherheit
KI und Entwicklerchancen
KI verbessert Entwicklerchancen signifikant.
Aethon: Stateful AI Agents
Aethon reduziert Latenz und Speicheraufwand durch kompositionelle Instanzen.
Agentic System Breakdowns
Untersuchung von Versagensmustern in LLM-basierten Agenten
Strategische Lernmaschinen in NYC-Simulation
Blaue Agenten lernen, Werbeanzeigen zu vermeiden.
MirrorCode Benchmark
MirrorCode zeigt Fähigkeiten moderner AI-Systeme in der Reimplementierung komplexer Software.
MPAC-Protokoll für Multi-Agenten-Kooperation
MPAC-Protokoll überbrückt Lücken bei der Agentenkoordination
Effiziente Multi-Agenten-Diskussion
HCP-MAD reduziert Tokenkosten durch adaptives Vorgehen.
Explanatory Equilibrium in Multi-Agent Systems
Erklärungsbasiertes Gleichgewicht in multiagenten Systemen.
Kontextverstärkung schadet
Mehr Kontext verschlimmert Halluzinationen.