NYSE Liffe
PulseAugur coverage of NYSE Liffe — every cluster mentioning NYSE Liffe across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
IDRAAK框架使用少样本提示进行语义漂移检测
一个名为IDRAAK的新框架已被开发出来，用于检测技术需求中的语义漂移，这种漂移可能发生在翻译过程中并改变关键的数字或模态信息。该框架利用一种与语言无关的语义需求表示（SRR），并提供六种检测工作流程。研究人员发现，使用单个LLM调用的简单少样本提示方法在合成数据上达到了高精度（MCC=0.888，F1=0.983），优于更复杂的多智能体和结构化方法。对通用领域文本和对抗性释义的进一步评估突显了结构化和基于LLM的技术的互补优势，表明…
-
新方法无需重新训练即可提升多语言大语言模型性能
研究人员开发了一种新颖的推理时方法，以提高多语言大语言模型在不同语言上的性能。这种称为基于SAE的引导的技术，利用预训练的稀疏自动编码器，在无需任何额外训练或大量多语言数据集的情况下，识别并增强模型隐藏状态中的特定语言特征。使用Gemma-3-12B-it模型进行的实验证明了显著的准确性提升，包括在XCOPA基准测试上提高了10.9个百分点。
-
大型语言模型的多语言泛化能力与语言相似性结构相关
一篇新的研究论文探讨了大型语言模型（LLMs）如何在不同语言之间进行泛化，特别是那些在其训练数据中代表性较低的语言。该研究提出，成功的多语言泛化能力依赖于大型语言模型内部表征在多大程度上捕捉了语言之间的层级相似性结构。研究人员发现，大型语言模型在很大程度上反映了印欧语系的结构，在其表征空间中将相似的语言分组。这种语言相似性表征与在XNLI等跨语言基准测试上的性能提升密切相关。
-
新的 CT-SFT 方法增强了低资源语言模型适应性
研究人员开发了一种名为“电路目标监督微调”（CT-SFT）的新方法，旨在改进语言模型的低资源适应性。该技术利用模型中发现的“电路”将参数更新限制在最相关的部分，从而最大限度地减少灾难性遗忘。在跨语言情感迁移任务上的实验表明，CT-SFT 在保持源语言性能方面优于传统微调方法，同时具有竞争力。