研究人员开发了BoostLLM，一个新颖的框架，它将传统上用于决策树的Boosting范式应用于微调大型语言模型（LLM），以应对少样本表格分类任务。该方法将顺序适配器训练为弱学习器，并结合决策树路径以增强低数据场景下的性能。与标准微调相比，BoostLLM在某些基准测试上表现出具有竞争力或更优的结果，甚至超越了基于GPT-4o的方法，表明Boosting作为结构化数据上LLM的可用训练原则。 AI
影响 BoostLLM提供了一种新方法来提高LLM在表格数据上的性能，尤其是在低数据环境下，有潜力增强其在结构化数据分析中的效用。
排序理由 这是一篇详细介绍LLM新微调框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.06117v1 Announce Type: new Abstract: Large language models (LLMs) have recently been adapted to tabular prediction by serializing structured features into natural language, but their performance in low-data regimes remains limited compared to gradient-boosted decision …
arXiv:2605.01143v1 Announce Type: new Abstract: Large Language Model (LLM)-powered agents demonstrate strong capabilities in autonomous task execution, tool use, and multi-step reasoning. However, their increasing autonomy also introduces a new attack surface: adversarial interac…