新的统计模型解释了大型语言模型中的跨语言鸿沟

研究人员提出了一个新的统计学观点来理解大型语言模型（LLMs）中的跨语言鸿沟。这项工作不关注训练失败，而是假设目标语言中响应的方差是与源语言相比准确率下降的关键原因。该研究将跨语言鸿沟形式化为有偏和无偏误差，并证明控制响应方差可以将源到目标迁移分数提高多达12个绝对点。 AI

影响 这项研究为理解和潜在地减轻LLMs中的跨语言限制提供了一个新框架，这可能有助于提高它们在多语言应用中的性能。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种理解LLMs中跨语言鸿沟的新统计方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• large-language models
• ScienceCast
• Vihari Piratla

• 论文
• 模型发布

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