English(EN) Contextual trajectory and incremental contextual displacement: Towards using LLMs to understand dynamic, utterance-specific meaning construction

通过上下文轨迹分析LLM的动态意义构建

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员开发了一种新方法来分析大型语言模型（LLM）在句子展开过程中如何理解意义。通过跟踪新词添加时token嵌入的变化，他们创建了“上下文轨迹”，揭示了LLM如何处理歧义。这种方法成功地区分了歧义的“花园路径”句子及其消除歧义后的对应句子，表明与意义相关的信息分布在模型内的各种表示尺度上，而不仅仅是在句子级别。 AI

影响这项研究提供了一个新的框架来理解LLM如何动态处理语言，有望带来更强大、更可解释的模型。

排序理由该条目是一篇研究论文，详细介绍了一种分析LLM行为的新方法。[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: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇研究论文，详细介绍了一种分析LLM行为的新方法。[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) · Grayson Wycliffe Storer, Julia Witte Zimmerman · 2026-10-02 04:00

上下文轨迹与增量上下文位移：利用大型语言模型理解动态、特定于话语的意义构建

arXiv:2610.00840v1 Announce Type: cross Abstract: Transformer-based large language models (LLMs) such as RoBERTa represent text using contextual word embeddings (CWEs), which alter the embeddings associated with each token based on surrounding context. We construct token-wise inc…

本文如何被排名

报道来源 [1]

上下文轨迹与增量上下文位移：利用大型语言模型理解动态、特定于话语的意义构建

相关实体

相关话题