Leseliste
Wen man zu KI lesen sollte
Ein kuratierter Wegweiser — kein Ranking, kein Top-N — durch 109 Forschende, deren Arbeit sich mit dem überschneidet, was ai100 misst.
109 Forschende · 14 Themenfelder · 3 Perspektiven
Was das ist und wie man es nutzt
Wen man in der KI lesen sollte — und warum
Die folgende Liste ist kein Ranking. Es gibt kein Oben, kein Unten, keine Sortierung nach h-Index. KI-Forschung ist keine Rangliste, und die Arbeit, die Bestand hat, ist selten die Arbeit, die gerade trendet.
Was diese Seite ist: eine Arbeitskarte der Forschenden, die wir bei ai100 lesen, wenn wir verstehen müssen, wie Sprachmodelle unter Druck reagieren — wie sie bewertet werden, wo sie brechen, welche Art von Evidenz über sie vertrauenswürdig ist und welche nicht. Die Menschen hier haben geprägt, wie KI-Evaluation, Retrieval und Zuverlässigkeit tatsächlich betrieben werden — nicht, wie in den sozialen Medien darüber gesprochen wird.
Zu jedem Namen nennen wir die Richtung der Arbeit, eine kurze Einordnung, warum diese Person Ihre Zeit wert ist, die Themen, bei denen ihre Texte den Einstieg bilden, und einige namentlich genannte Arbeiten für den Anfang. Aktuelle Arbeitgeber oder Jobtitel führen wir nicht auf — sie wechseln alle ein, zwei Jahre; die Arbeit nicht. Wenn jemand mit einem Unternehmen verbunden ist, dessen Modelle wir evaluieren, sagen wir das ausdrücklich in einer Disclosure-Zeile: Die Methodik von ai100 hängt davon ab, dass wir ehrlich mit Interessenkonflikten umgehen, und auf dieser Liste gibt es Interessenkonflikte.
Die Flaggschiff-Analyse — was wir finden, wenn wir die großen KI-Engines in fünf Sprachen jeweils 200 Audits unterziehen — läuft separat. Diese Seite ist der Upstream: die Menschen, deren Arbeit es überhaupt möglich macht, diese Analyse zu entwerfen.
- Akari Asai Wie ein Sprachmodell entscheidet, dass sein eigenes internes Wissen nicht ausreicht und dass es stattdessen zu einer externen Quelle greifen sollte.
- Amir Globerson Ein Sprachmodell als adversariellen Befrager eines anderen zu nutzen, um faktische Fehler sichtbar zu machen, die keines der beiden allein finden könnte.
- Ari Holtzman Wie Sprachmodelle tatsächlich Text aus ihren Wahrscheinlichkeitsverteilungen generieren — und was die Wahl des Sampling-Verfahrens mit Evaluationsergebnissen macht.
- Ashish Sabharwal Was klassische Forschung zu formalem logischem Schließen (Reasoning) dazu beitragen kann, zu evaluieren, ob moderne LLMs tatsächlich logisch schließen — und wie man das von Sprache unterscheidet, die nur nach Reasoning aussieht und zufällig bei der richtigen Antwort landet.
- Benno Stein Evaluationsinfrastruktur zu bauen, die Uneinigkeit unter Forschenden in etwas technisch Auflösbares verwandelt.
- Björn Schuller Was Sprachtechnologie evaluieren muss, wenn die Eingabe nicht Text, sondern gesprochene Sprache ist — einschließlich der emotionalen, paralinguistischen und individuellen Sprechersignale, die text-only-Methoden verwerfen.
- Charles L. A. Clarke Was systematische, replizierbare Evaluation von Frage-Antwort-Systemen verlangt — jetzt, da die zu evaluierenden Systeme Sprachmodelle und nicht Retriever sind.
- Chelsea Finn Wie Sprach- und Lernsysteme sich mit sehr wenigen Beispielen an eine neue Aufgabe anpassen — und was die theoretische Struktur dieser Anpassung darüber aussagt, was sie tatsächlich gelernt oder nicht gelernt haben.
- Chris Callison-Burch Ob menschliche Leser Text, den ein Sprachmodell erzeugt hat, von Text unterscheiden können, den Menschen verfasst haben — und wie diese Unterscheidbarkeit abnimmt, wenn Modelle besser werden.
- Christof Monz Jahr für Jahr systematische Evaluation maschineller Übersetzung über Dutzende von Sprachpaaren hinweg — und was diese Nachverfolgung darüber zeigt, welche Übersetzungsprobleme gelöst werden und welche nicht.
- Christopher Manning Das Argument, dass Bedeutung, wie Menschen das Wort verwenden, nicht das ist, womit große Sprachmodelle arbeiten.
- Christopher Potts Welche linguistische Struktur Sprachmodelle tatsächlich repräsentieren — und welche sie nur zu repräsentieren scheinen.
- Colin Raffel Ob ein einziges Sprachmodell alle NLP-Aufgaben gleichzeitig bearbeiten kann, wenn sie alle als Text-in-Text-out gerahmt werden — und ob diese Vereinheitlichung über Sprachen hinweg trägt.
- Dan Jurafsky Natural Language Processing zu einer lehrbaren Disziplin zu machen — und aus dieser Perspektive zu lesen, wo die aktuellen Evaluationspraktiken des Feldes in seine längere Geschichte passen und wo nicht.
- Danqi Chen Ob ein Sprachmodell, das eine Antwort mit Zitaten erzeugt, die Antwort tatsächlich in diesen Zitaten fundiert — oder nur nachträglich plausible Referenzen anheftet.
- David Jurgens Ob Sprachmodelle, die faktische Fragen sauber behandeln, auch jene Art sozialen Wissens bewältigen können, die bestimmt, was Menschen eigentlich meinen, wenn sie etwas sagen.
- Daxin Jiang Wie man einen Encoder so vortrainiert, dass die Embeddings, die er erzeugt, für Retrieval gut geeignet sind — ohne jemals auf einer Retrieval-Aufgabe überwacht trainiert zu werden.
- Diyi Yang Wie Sprachmodelle sich verhalten, wenn die Aufgabe sozial statt informativ ist — Überzeugung, Unterstützung, Konflikt, Höflichkeit.
- Dragan Gašević Ob KI-Tools im Bildungsbereich den Lernenden, für die sie gebaut sind, tatsächlich helfen — und welche Evaluationsinfrastruktur diese Frage jenseits konventioneller ML-Benchmarks erfordert.
- Ee-Peng Lim Ob ein Sprachmodell, das gebeten wird, vor dem Lösen eines Problems einen Plan zu erstellen, besseres logisches Schließen (Reasoning) erzeugt, als ihm zu sagen, Schritt für Schritt zu denken.
- Emma Strubell Ob die Rechen- und Energiekosten des Trainings und Servings von Sprachmodellen in die Überschrift einer Evaluation gehören, wo derzeit die Genauigkeit allein steht.
- Emmanuel Candès Wie man gültige statistische Unsicherheitsintervalle um die Vorhersagen eines beliebigen Modells legt — einschließlich Sprachmodellen — ohne anzunehmen, welche Fehlerverteilung zu erwarten ist.
- Eric Horvitz Die qualitative Gestalt von Sprachmodellfähigkeiten — wie sie als Phänomen aussehen und ob wir das Vokabular haben, sie zu beschreiben, bevor wir die Methodik haben, sie zu messen.
- Furu Wei Das parametrische Wissen eines Sprachmodells zu nutzen, damit Retrieval das Dokument findet, das der Nutzer eigentlich gesucht hat.
- George J. Pappas Wie schnell ein automatisierter Angreifer prompts finden kann, die das Sicherheits-Alignment eines Sprachmodells brechen — und was das für die Bewertung von Modellrobustheit als solcher bedeutet.
- Gideon Mann Wie Sprachmodelle aussehen, wenn sie für eine einzige hochwertige Vertikale trainiert werden — in diesem Fall Finanzwesen — und welche Evaluation diese Spezialisierung jenseits allgemeiner Benchmarks erfordert.
- Graham Neubig Retrieval, Generierung und Evaluation zu einem einzigen funktionierenden System zu verbinden — und zu fragen, wann diese Verbindungen tatsächlich halten.
- Hannaneh Hajishirzi Wann ein Sprachmodell auf eine externe Wissensquelle zurückgreifen sollte — und wann sein eigenes parametrisches Gedächtnis genügt.
- Igor Mordatch Was es bedeutet, ein Sprachmodell zu evaluieren, das durch seinen Text folgenreiche Handlungen ausführt — nicht nur Antworten produziert, sondern in Umgebungen operiert, die reagieren.
- Ion Stoica Die Infrastruktur für verteiltes Rechnen, auf der fast jedes moderne LLM entweder trainiert, bereitgestellt oder evaluiert wird.
- Iryna Gurevych Die Encoder-Infrastruktur zu bauen, die „Sätze finden, die dieser Anfrage ähnlich sind“ über Sprachen und Aufgaben hinweg zu einer schnellen und zuverlässigen Operation macht.
- James Zou Wie Evaluation aussieht, wenn die bewertete KI vor dem Deployment regulatorische Hürden nehmen muss — und was allgemeine LLM-Evaluation von einem Feld lernen sollte, das dies seit Jahren tut.
- Jamie Callan Wie retrieval-augmentierte Generierung aussieht, wenn man die dreißigjährige Geschichte des Information Retrieval, die sie neu erfindet, tatsächlich kennt.
- Jared Kaplan Ob der Loss eines Sprachmodells eine glatte Funktion von Compute, Daten und Modellgröße ist — und was diese Glattheit erlaubt, über Fähigkeiten bei größerem Maßstab vorherzusagen (und nicht vorherzusagen).
- Jennifer Wortman Vaughan Wie Menschen Ergebnisse der Sprachmodell-Evaluation tatsächlich verstehen und in Handlungen übersetzen — und wo die Lücke zwischen dem liegt, was gemessen wurde, und dem, was geglaubt wird.
- Jesse Dodge Was in einem Paper über ein Sprachmodell stehen muss, damit ein anderes Lab das Ergebnis überprüfen kann.
- Ji-Rong Wen Die LLM-Literatur so zu ordnen, dass andere chinesischsprachige NLP-Forscher sie aus dem akademischen Ökosystem heraus tatsächlich navigieren können.
- Jian-Guang Lou Ob ein Sprachmodell, das Code erzeugt, tatsächlich Code erzeugt, der tut, was die Anfrage verlangt hat — und wie Evaluation aussieht, wenn Korrektheit ausnahmsweise eine eindeutige Antwort hat.
- Jian-Yun Nie Wie Suche sich anders verhält, wenn die Anfrage ein Gespräch in einer nicht-englischen Sprache ist — und wie Sprachmodelle dieses Bild verändern.
- Jianfeng Gao Was große Sprachmodelle als Systemklasse sind — taxonomisch, architektonisch und im Hinblick darauf, was sie tatsächlich aus der längeren Geschichte des neuronalen NLP erben.
- Jie Zhou Ob Sprachmodellen zuzutrauen ist, andere Sprachmodelle in produktiven NLP-Pipelines zu evaluieren.
- Jimmy Lin Information Retrieval so reproduzierbar zu machen, dass ein LLM-Forscher und ein IR-Forscher dasselbe Experiment ausführen und dieselbe Antwort erhalten können.
- Jimmy Xiangji Huang Wie Information Retrieval über die unordentlichen Betriebsdaten skaliert, die reale Organisationen besitzen — im Gegensatz zu den sauberen Benchmark-Korpora, auf denen das Feld tatsächlich publiziert.
- Jindong Wang Zu standardisieren, was „ein LLM evaluieren“ als Forschungsprozedur überhaupt bedeutet.
- Jochen Wirtz Was passiert, wenn kundennahe Service-KI menschliche Servicekräfte ersetzt, ergänzt oder mit ihnen konkurriert — und welche Arten von Evaluation diese Veränderung tatsächlich erfordert.
- Jonathan Berant Ob ein Sprachmodell tatsächlich die Schritte des logischen Schließens (Reasoning) ausführt, die nötig sind, um eine Frage zu beantworten — oder nur eine Antwort produziert, die zufällig richtig ist.
- Juanzi Li Strukturiertes Wissen aus Knowledge Graphs mit den statistischen Mustern zu verbinden, die Sprachmodelle aus Text lernen — und was diese Kombination für Evaluation bringt.
- Julian McAuley Ob Sprachmodelle, die auf dem offenen Web trainiert wurden, bereits Empfehlungen erzeugen — und was das für Produkte bedeutet, die mit traditionellen Recommendern konkurrieren.
- Junichi Yamagishi Ob menschliche Hörer — oder automatisierte Detektoren — KI-generierte gesprochene Sprache von echter menschlicher Sprache unterscheiden können, und wie sich diese Unterscheidbarkeit verändert, wenn Sprachsynthese besser wird.
- Jure Leskovec Was Graphstruktur zu den Arten von logischem Schließen (Reasoning) und Retrieval-Problemen beiträgt, die Sprachmodelle derzeit ohne sie bearbeiten — und was übersehen wird, wenn Beziehungen in Daten zu Text verflacht werden.
- Kevin Chen-Chuan Chang Die rasant wachsende Literatur zum logischen Schließen (Reasoning) von Sprachmodellen so zu ordnen, dass ein neu einsteigender Forscher sich darin tatsächlich orientieren kann.
- Kyle Lo Was tatsächlich in einem Trainingskorpus steckt, wenn man sich hinsetzt und ihn Dokument für Dokument ansieht.
- Luke Zettlemoyer Ob Sprachmodelle mit offenen Gewichten im Frontier-Maßstab gebaut werden können und ob ihre Faktentreue mit feiner Auflösung gemessen werden kann.
- Maarten de Rijke Ob Information Retrieval von einem System erledigt werden sollte, das die „Dokument-ID schreibt“, statt von einem, das einen Vektorindex durchsucht.
- Maarten Sap Ob Sprachmodelle soziales Wissen mit derselben Kompetenz erzeugen oder darüber logisch schließen können, wie sie sie bei faktischen Aufgaben zeigen — und was auf dem Spiel steht, wenn sie es nicht können.
- Maosong Sun Wie das offene LLM-Ökosystem aussieht, wenn es aus chinesischem akademischem NLP heraus wächst statt aus westlichen Nonprofits wie AI2.
- Marco Baroni Ob neuronale Sprachmodelle Gelerntes zu neuen Kombinationen zusammensetzen können, die sie nie gesehen haben — oder ob sie in Wahrheit nur ausgefeilt innerhalb ihrer Trainingsverteilung interpolieren.
- Mari Ostendorf Wie Sprachtechnologie aussieht, wenn man sie dreißig Jahre lang als deploybares Engineering verantwortet hat, bevor LLMs kamen, um das Feld neu zu schreiben.
- Mark Gales Halluzinationen in einem Sprachmodell zu erkennen, ohne Zugriff auf seine Gewichte oder auf Ground Truth zu haben.
- Martin Potthast Ob Sprachmodelle genutzt werden können, um zu beurteilen, ob ein Dokument für eine Anfrage relevant ist — und was sich ändert, wenn sie in dieser Rolle menschliche Assessoren ersetzen.
- Mengnan Du Welche Arten von Erklärungen für Outputs von Sprachmodellen gewonnen werden können — und welche dieser Erklärungen sich als verlässlich erweisen.
- Michihiro Yasunaga Ob ein Sprachmodell eine natürlichsprachliche Frage korrekt in eine präzise strukturierte Abfrage übersetzen kann — und was diese Übersetzung über logisches Schließen (Reasoning) über Wissen verrät.
- Minlie Huang Ob die Kategorien von „schädlich“, die zur Bewertung der Sicherheit von Sprachmodellen genutzt werden, aus westlichen in chinesischsprachige Deployment-Kontexte übertragbar sind, in denen der regulatorische Rahmen und die kulturellen Kategorien anders sind.
- Mohit Bansal Ob die Methoden, mit denen wir reine Sprachmodelle evaluieren, noch funktionieren, wenn dasselbe Modell gleichzeitig Bilder, gesprochene Sprache oder andere Modalitäten verarbeiten muss — und was zuerst versagt, wenn Modalitäten kombiniert werden.
- Nan Duan Die Anfrage des Nutzers vor dem Retrieval umzuschreiben, damit der Retriever überhaupt eine Chance hat, nützliche Dokumente zurückzugeben.
- Nathan Lambert Was mit einem Sprachmodell zwischen „auf Internetdaten trainiert“ und „beantwortet eine Frage so, wie es sie beantwortet“ geschieht — und wie man diesen Schritt öffentlich untersucht.
- Noah A. Smith Ob ein Sprachmodell seine eigenen Trainingsdaten erzeugen kann — und welche methodischen Folgen es hat, wenn das zur Standardpraxis wird.
- Norbert Fuhr Was die Evaluation im Information Retrieval seit mehreren Jahrzehnten nachweislich falsch macht — und warum jede neue Forschergeneration dieselben Fehler wiederholt.
- Omer Levy Ob ein Sprachmodell eine Aufgabe allein aus Beispielen erschließen kann — ohne dass ihm gesagt wird, was es tun soll — und was diese Fähigkeit darüber verrät, wie es Instruktionen repräsentiert.
- Pang Wei Koh Was passiert, wenn ein Sprachmodell auf Daten trifft, wie es sie im Training nicht gesehen hat — und wie man diese Lücke rigoros misst, statt sie erst nach dem Deployment zu bemerken.
- Paolo Rosso Evaluationskampagnen aufzubauen, die für iberoromanische Sprachen funktionieren — Spanisch, Katalanisch, Portugiesisch — statt englischzentrierte Methodik zu übertragen und die daraus entstehenden blinden Flecken hinzunehmen.
- Pascale Fung Ob dasselbe Sprachmodell über verschiedene Sprachen hinweg dieselbe Art von Arbeit leistet — und ob Bewertungsmethodik, die für Englisch gebaut wurde, uns darüber täuscht, was Modelle in allen anderen Sprachen tun.
- Percy Liang Wie man Sprachmodelle so misst, dass eine heute vorgenommene Messung auch im nächsten Jahr noch etwas bedeutet.
- Peter Henderson Wo technische Befunde über das Verhalten von Sprachmodellen tatsächlich relevant werden — in Audits, Regulierung und rechtlicher Haftung — und wie die Lücke zwischen „wir haben das gemessen“ und „das ändert, was erlaubt ist“ aussieht.
- Philip S. Yu Vier Jahrzehnte Data-Mining-Methodik mit der Frage zu verbinden, wie große Sprachmodelle evaluiert werden können, ohne Techniken neu zu erfinden, die das Feld bereits besitzt.
- Prateek Mittal Wie visuelle Eingaben zu einer neuen Angriffsfläche für sicherheitsausgerichtete Sprachmodelle werden, die multimodale Anfragen akzeptieren.
- Qiang Yang Ob nützliches maschinelles Lernen möglich ist, wenn die Daten, auf denen trainiert oder evaluiert würde, nicht an einen einzigen Ort bewegt werden können — aus rechtlichen, Datenschutz- oder kommerziellen Gründen.
- Quoc V. Le Die architektonischen und trainingsrezeptartigen Bausteine, auf denen die moderne LLM-Ära aufgebaut wurde.
- Rishi Bommasani Was Entwickler von Sprachmodellen über ihre eigenen Modelle mitteilen und was nicht — und wie man das systematisch misst.
- Roi Reichart Was „Domäne“ für ein Sprachmodell bedeutet — wenn seine Trainingsverteilung nicht mehr zum Einsatzkontext passt — und wie man diese Diskrepanz rigoros evaluiert.
- Seungone Kim Ob das Feld eine LLM-Evaluator-Alternative mit offenen Gewichten bekommen kann, damit „eine Blackbox bewertet eine andere Blackbox“ nicht die einzige verfügbare Option bleibt.
- Shafiq Joty Bewertungsmethodik für Sprachmodelle, wenn der Einsatzkontext Enterprise-Software ist und nicht eine Forschungsdemo.
- Shayne Longpre Was tatsächlich in den Daten steckt, auf denen Sprachmodelle trainieren — und wer das erkennen kann oder nicht.
- Shinji Watanabe Die Open-Source-Infrastruktur für die Verarbeitung gesprochener Sprache, mit der akademische und industrielle Gruppen Sprachsysteme mit Spracheingabe oder Sprachausgabe auf gleicher Grundlage trainieren, evaluieren und vergleichen können.
- Shuming Shi Wie „Halluzination“ bei Sprachmodellen aussieht, wenn man für die Auslieferung LLM-gestützter Produkte auf einer Oberfläche mit ungefähr einer Milliarde Nutzern verantwortlich ist.
- Steven Schockaert Wie ein retrieval-augmentiertes System end-to-end evaluiert wird, wenn jeder seiner Teile auf andere Weise versagen kann.
- Tatsunori Hashimoto Ob die über Sprachmodelle berichteten Zahlen statistische Befunde oder methodische Artefakte sind.
- Tom Mitchell Ob ein Sprachmodell eine interne Repräsentation davon hat, ob es die Wahrheit sagt — trennbar von dem, was es tatsächlich ausgibt.
- Torsten Hoefler Logisches Schließen (Reasoning) von Sprachmodellen über lineare Gedankenketten (Chain-of-Thought) hinaus zu verallgemeinern — hin zu Verzweigung, Backtracking und Rekombination von Zwischenschritten des logischen Schließens.
- Tushar Khot Was „Reasoning-Fähigkeit“ tatsächlich bedeutet, wenn man sie auf einen Benchmark bringen will — und was sich ändert, wenn man zugleich versucht, das Modell durch strukturiertes Prompting zum logischen Schließen (Reasoning) anzuleiten.
- Wayne Xin Zhao Die Syntheseseite der LLM-Forschung — was nötig ist, um jedes Paper des Moments zu lesen und etwas zu erzeugen, das andere Forschende navigieren können.
- Weijia Shi Retrieval-augmentierte Generierung zum Funktionieren zu bringen, wenn das Sprachmodell selbst ein geschlossenes System ist, das man nicht per Feinabstimmung (Fine-Tuning) anpassen kann.
- Wen-tau Yih Den Retrieval-Schritt in retrieval-augmentierten Systemen so gut zu machen, dass der Generierungsschritt überhaupt etwas hat, womit er arbeiten kann.
- Wenjie Li Wie generatives Retrieval mit den anderen Generierungsaufgaben zusammenhängt — Zusammenfassung und Fragebeantwortung —, die dieselbe Systemarchitektur ebenfalls bewältigen muss.
- Xia Hu Ob der akademische Stand der Technik bei Sprachmodellen in etwas verwandelt werden kann, das ein Praktiker — nicht ein Forschungslabor — tatsächlich deployen und dem er vertrauen kann.
- Xing Xie Die Verbindung zwischen der Tradition der Recommender-Systeme, nutzerseitiges KI-Verhalten zu messen, und den neuen Bewertungsproblemen, die moderne LLMs aufwerfen.
- Xipeng Qiu Ein offenes chinesischsprachiges großes Sprachmodell zu bauen, das die akademische Community tatsächlich unter der Haube untersuchen kann — und die Werkzeuge darum herum.
- Xueqi Cheng Was Information-Retrieval-Forschung aus der chinesischen IR-Tradition heraus argumentiert — und wie sich ihre Perspektive auf generatives Retrieval vom westlichen Kanon unterscheidet.
- Yang Liu Ob ein leistungsfähigeres Sprachmodell genutzt werden kann, um die Ausgaben eines weniger leistungsfähigen zu bewerten — und wie man das tut, ohne sich selbst zu täuschen.
- Yann LeCun Wie Systeme des maschinellen Lernens aussehen sollten — im Gegensatz zu dem, was sie derzeit sind.
- Yarin Gal Zu quantifizieren, wann Sprachmodelle nicht wissen, was sie sagen.
- Yejin Choi Was nötig wäre, damit ein Sprachmodell das besitzt, was Menschen im Überfluss haben und was LLMs zuverlässig fehlt — gesunden Menschenverstand.
- Yoav Goldberg Ob die Kette logischen Schließens (Reasoning), die ein Sprachmodell produziert, tatsächlich die Kette ist, der es gefolgt ist.
- Yoav Shoham Was sich über den Zustand der KI von außerhalb eines einzelnen Unternehmens messen lässt — und wie Retrieval-Augmentation aussieht, wenn man nichts neu trainieren muss.
- Yonatan Belinkov Was tatsächlich in den verborgenen Repräsentationen eines Sprachmodells steckt — und welche dieser internen Zustände auf Dinge abbilden, die Menschen als Wissen erkennen würden.
- Yue Zhang Das, was das Feld „Halluzination“ nennt, in Kategorien zu ordnen, die tatsächlich Unterschiedliches bedeuten.
- Yulia Tsvetkov Welche Formen von Bias und Schaden in Ausgaben von Sprachmodellen über Sprachen hinweg annehmen — besonders in den Sprachen und Communities, die die Standard-Evaluation des Feldes historisch ignoriert hat.
- Zhaochun Ren Ob man einem Sprachmodell die Aufgabe anvertrauen kann, die derzeit von einem Information-Retrieval-System erledigt wird — und welche Teile dieser Aufgabe es tatsächlich gut erledigt.
- Zhiting Hu Ein Sprachmodell als eine Komponente in einem größeren Planungssystem zu behandeln — statt es das logische Schließen (Reasoning) End-to-End im eigenen Kopf erledigen zu lassen.