English(EN) LLMs or Naive Bayes? Old Gems or New Ways

在有标记数据的情况下，朴素贝叶斯分类器在文本分类方面仍能与大型语言模型竞争

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

一篇新的研究论文比较了大型语言模型（LLMs）与传统的朴素贝叶斯分类器在文本分类任务上的性能。研究发现，虽然LLMs在零数据场景下表现出色，尤其是在情感分析方面，但在一旦有标记数据可用时，朴素贝叶斯分类器的表现相当甚至更好，尤其是在AG News等任务上。研究强调，朴素贝叶斯在通用硬件上提供了显著更高的吞吐量和更低的能耗，使其成为资源受限环境的更优选择。 AI

影响在有足够标记数据的情况下，朴素贝叶斯仍然是文本分类任务的可行且高效的选择，与LLMs相比，在速度和能耗方面具有显著优势。

排序理由研究论文比较LLMs与传统的朴素贝叶斯分类器。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文比较LLMs与传统的朴素贝叶斯分类器。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mohammad Firas Sada, Dmitry Mishin, John Graham, Seungmin Kim, Mahidhar Tatineni, Frank W\"urthwein · 2026-09-15 04:00

大型语言模型还是朴素贝叶斯？旧的宝藏还是新的方法

arXiv:2609.13185v1 Announce Type: cross Abstract: Large language models (LLMs) prompt a recurring question in research computing: should classical methods like Naive Bayes (NB) be retired? We benchmark Complement Naive Bayes against zero-shot and few-shot LLMs spanning four model…

本文如何被排名

报道来源 [1]

大型语言模型还是朴素贝叶斯？旧的宝藏还是新的方法

相关实体

相关话题