Die Verwendung von Monte-Carlo-Methoden für die ungewichtete Ereignisgeneration von Teilchenkollisionen ist ein notwendiger, aber sehr zeitintensiver Bestandteil der angewandten Teilchenphysik. Aushilfe verschafft ein surrogatbasierter Ungewichtungsalgorithmus, für den machine-learning zum Einsatz kommt. In dieser Arbeit wird die neue Transformerstruktur L-GATr an von SHERPA generierten Daten eines Beispielprozesses der Prozessgruppe 𝑝 𝑝 → 𝑍 + 6 jets untersucht und mit dem bisher besten Surrogatansatz verglichen. Dabei erreicht die neue Architektur nach der Optimierung ihrer Hyperparameter einen mittleren effektiven gain-Faktor von 𝑓_eff = 16,8 ± 3, 1_stat beziehungsweise 𝑓_eff = 25,4 ± 0, 6_stat, abhängig von der Vorhersagemethode. Somit ist L-GATr vergleichbar beziehungsweise besser als das bisherige Surrogat eines MLP mit Dipolansatz.