Forschung

Forschungsperspektiven

Unsere Einordnung aktueller Fortschritte in generativer KI: von Modelltraining und Retrieval bis zu Reasoning und Agenten, mit Blick auf ihren Nutzen für Unternehmen.

ThemaAlleGenerative KIRepräsentationslernenPlanung und AgentenRetrieval und Suche

4 Einträge

  • Artikel · 2 Min. Lesezeit

    Bessere Suche beginnt mit dem Kontext Ihrer Dokumente

    Eine Textstelle lässt sich leichter finden, wenn die Suche ihren Zusammenhang kennt. Forschung zu kontextuellen Embeddings untersucht, wie sich diese Information effizient erhalten lässt.

    Lukas BierlingZur Publikation: Context is Gold to find the Gold Passage: Evaluating and Training Contextual Document Embeddings

  • Artikel · 3 Min. Lesezeit

    Ähnliche Suchergebnisse, sehr unterschiedliche Kosten

    Ein neuer Benchmark vergleicht zehn LLMs mit 26 Embedding-Modellen auf 37 Aufgaben. Die Ergebnisse zeigen, warum Unternehmen genau abwägen sollten, welche Arbeit ein Sprachmodell übernimmt.

    Lukas BierlingZur Publikation: The Embedder's Dilemma: LLMs Are Better, but at What Cost?

  • Artikel · 2 Min. Lesezeit

    Warum kleine Sprachmodelle gut zu Unternehmensagenten passen

    Geschäftsprozesse enthalten viele wiederkehrende, klar umrissene Aufgaben. Spezialisierte Modelle könnten diese Schritte günstiger und besser kontrollierbar machen.

    Lukas BierlingZur Publikation: Small Language Models are the Future of Agentic AI

  • Artikel · 2 Min. Lesezeit

    Kleine Modelle können lernen, die entscheidenden Belege zu finden

    Ein thematisch passendes Dokument ist ein Anfang. Forschung zu spezialisierten Rerankern zeigt, wie kompakte Modelle beurteilen lernen, ob eine Textstelle wirklich bei der Beantwortung einer Frage hilft.

    Lukas BierlingZur Publikation: Distillation and Refinement of Reasoning in Small Language Models for Document Re-ranking