Menü

Forschung

Publikationen unseres Teams.

Publikationen von Teammitgliedern, verfasst an ihren Universitäten und Labors vor oder neben ihrer Arbeit bei Duffi AI.

  1. EMNLP 2026, Hauptkonferenz

    One Instruction Is a Benchmark: End-to-End Instruction-Following Evaluation with FlexBench

    Yuchen Ge, Yizhao Sun, Wei He, Jinpeng Ou, et al. (13 Autoren)

    Macht aus einer einzelnen Anweisung eine eigene mehrstufige Testsuite; Modell-Rankings und Fehlermuster ändern sich von einer Anweisung zur nächsten.

  2. Findings of EMNLP 2026

    Learning When to Think in Latent Visual Space: Reasoning Mode Adaptive Reinforcement Learning

    Paul Jian, Jinpeng Ou, Leo Wei, Qingpei Guo, Jianing Li

    Reinforcement Learning, das multimodalen Modellen beibringt, wann sie im latenten visuellen Raum und wann in Text schlussfolgern sollen.

  3. EMNLP 2026, Hauptkonferenz

    To Answer or Not to Answer? Reliability-Oriented Reinforcement Learning for Visual Language Models

    Paul Jian, Julian Wu, Leo Wei, Dylan Chen, Garvin Guo, Qingpei Guo, Jianing Li

    Ein rubrikbasierter Reward, der Vision-Language-Modellen beibringt, sich bei Fragen zu enthalten, die sie nicht beantworten können, gemessen auf einem neuen Benchmark, Reliable-V-Bench.

  4. Findings of EMNLP 2026

    CAMFT: Conflict-Aware Mergeable Fine-Tuning for Large Language Models

    Jingang Zhou, Haiyang Guo, Yuan Ma, Han Zhu, Xu-Yao Zhang

    Fine-Tuning, das Aufgabenmodelle leichter zusammenführbar macht: Jede Aufgabe aktualisiert eine dünn besetzte Menge von Parametern mit wenig Konflikten zwischen den Aufgaben, und zusammengeführte Multi-Task-Modelle übertreffen solche aus Standard-Fine-Tuning.

  5. ICML 2026

    From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning

    Wenzhe Niu, Wei He, Zongxia Xie, Jinpeng Ou, Huichuan Fan, Yuchen Ge, et al. (13 Autoren)

    Relative Rangfolgen statt absoluter Scores als Reward im gruppenbasierten Reinforcement Learning.

  6. ICASSP 2026

    Think-Augmented Function Calling: Improving LLM Parameter Accuracy Through Embedded Reasoning

    Lei Wei, Xiao Peng, Jinpeng Ou, Bin Wang

    Ein Reasoning-Parameter in jeder Funktionssignatur bringt das Modell dazu, nachzudenken, bevor es ein Argument ausfüllt, ohne Änderung am Modell und mit voller API-Kompatibilität.

  7. ICML 2025

    Asymmetric Decision-Making in Online Knowledge Distillation: Unifying Consensus and Divergence

    Zhaowei Chen, Borui Zhao, Yuchen Ge, Yuhao Chen, Renjie Song, Jiajun Liang

    Online-Distillation, bei der Schüler dem folgen, worin die Lehrer übereinstimmen, und Lehrer bewahren, was sie voneinander unterscheidet.

  8. EMNLP 2024, Hauptkonferenz

    Large Language Models Know What is Key Visual Entity: An LLM-assisted Multimodal Retrieval for VQA

    Pu Jian (Paul Jian), Donglei Yu, Jiajun Zhang

    Ein Sprachmodell wählt die visuellen Entitäten aus, die eine Frage benötigt, sodass das Retrieval den Rest des Bildes ignoriert.