研究人员调查了上下文学习在土耳其成语轻动词结构（LVCs）分类中的有效性。他们将监督式BERTurk基线与使用零样本、单样本和少样本提示的指令微调大型语言模型（LLMs）进行了比较。虽然LLMs在零样本LVC召回率方面遇到困难，但精心设计的演示的少样本提示提高了性能，其中GPT-OSS-20B和Qwen 2.5-14B表现出稳健的结果，与监督基线相当或超过了它。 AI
影响 证明了提示工程如何显著影响LLMs在细微语言任务上的性能，从而影响模型在专业NLP应用中的部署方式。
排序理由 学术论文，详细介绍了对LLM在特定语言任务上性能的新评估。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.07479v1 Announce Type: cross Abstract: Turkish idiomatic light verb constructions (LVCs) are challenging for multiword expression processing because they often share the same surface form as fully literal verb-object combinations while functioning as a single, partiall…
Turkish idiomatic light verb constructions (LVCs) are challenging for multiword expression processing because they often share the same surface form as fully literal verb-object combinations while functioning as a single, partially idiomatic predicate. We frame Turkish LVC detect…