Corpus of Contemporary American English
PulseAugur coverage of Corpus of Contemporary American English — every cluster mentioning Corpus of Contemporary American English across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的强化学习方法通过细粒度信用分配增强大型语言模型推理能力 · 跟踪 9 个来源
研究人员正在开发用于大型语言模型（LLM）强化学习（RL）的信用分配新方法，以提高其推理和决策能力。几篇论文提出了像 ForkGRPO、CASI、CCPO 和 CoCA 这样的新颖框架，旨在为 LLM 代理采取的行动提供更细粒度和更准确的信用分配。这些方法解决了延迟奖励、稀疏反馈以及区分个体推理步骤贡献的需求等挑战，最终在各种基准测试和实际应用中取得更好的性能。
-
新的COCA方法通过简化概念擦除来增强LLM安全性
研究人员开发了一种名为COncept ConcentrAtion (COCA) 的新方法，以提高大型语言模型 (LLM) 的安全对齐。COCA重构训练数据，以简化有害和良性表示之间的决策边界，从而能够更有效地线性擦除不安全的概念。实验表明，COCA在保持数学和代码生成等任务性能的同时，显著降低了越狱成功率。
-
大型语言模型通过新的分析框架简化语料库语言学
两篇新研究论文探讨了使用大型语言模型（LLMs）来自动化和标准化语料库语言学任务。第一篇论文介绍了TACOMORE，一个结构化的提示框架，旨在提高LLM在关键词、词语搭配和并列语分析中的准确性和可复制性，但该论文也指出了持续存在的幻觉问题。第二篇论文提出了一个用于LLM辅助语料库标注的大规模流水线，在分析语法变异和随时间变化的方面表现出高准确性，这可以解锁以前无法触及的研究问题。
-
理性沟通模型预测词语组合随时间的变化
研究人员开发了一个模型，可以预测语言如何通过组合现有词素来形成新词。这项研究利用理性言语行为框架和历史英语语料库，表明听者理解和说话者努力之间的平衡会影响这些词语的形成。这种方法优于仅基于意义或成本的模型，表明词汇化是表达力和效率之间的权衡。