跳到正文
11月17日周二
  1. arXiv · NLP23

    分布式在线策略蒸馏:从标量优势到分布式监督

    针对离线在线策略蒸馏在智能体搜索中表现不佳的问题,提出 DistOPD 方法。 该方法保留参考模型与教师模型在选定位置的候选 token 概率,其余部分聚合为残差 token。 DistOPD 性能可比在线蒸馏,提升学生与教师对齐度,且训练 GPU 小时数与 Lightning OPD 相当。

  2. arXiv · NLP31

    基于功能标度律的最优批大小调度分析

    功能标度律(FSL)揭示了最优批大小调度(BSS)结构依赖任务难度:易任务全程增批,难任务则后期切换大批。 该机制源于“快速追赶效应”,即小批切大批后梯度噪声快速遗忘,使损失迅速对齐;难任务可延后大批使用以显著降低数据消耗。 在1.1B参数和1T token的Dense及MoE LLM预实验中,后期切换调度持续优于固定或早期切换基线。

  3. arXiv · NLP22

    LLM 在西班牙语政治话语文化推理与鲁棒性中的评估

    该研究提出一种结合 Gold、Ambiguous 及 Synthetic 子集的评估协议,用于测试 LLM 在西班牙语政治社交媒体情感分析中的鲁棒性。 通过零样本与少样本提示对比专有与开源模型,发现 GPT-4.1-mini 最为稳定,小型开源模型在情感反转扰动下表现显著退化,且少样本提示增益有限。

  4. arXiv · NLP20

    SAJ-MTL:建模标注任务中人口统计学分歧的可扩展多任务学习框架

    SAJ-MTL 框架通过联合多任务学习同时建模跨组与组内的人口统计学标注分歧。 框架利用条件梯度路由处理由组条件标注引起的稀疏性,并支持对不同任务设置中的组进行自定义加权。该模型仅需标注者群体成员身份信息即可提升毒性检测性能,比需要个体层面隐私侵入性信息的方法更具实用性。

  5. arXiv · NLP33

    LLM 集成在基于评分标准的学生回答自动评分中的表现评估

    该研究通过 523 种评分标准提示配置,评估了 15 个开源 LLM 在经济学和医学教育学生回答评分中的表现。 实验使用 631 份德语回答及 103 个评分标准,通过 Krippendorff's alpha 和替代标注者测试验证 LLM 与人类评分者的一致性。 结果显示,最优 LLM 配置在 91 项标准中保持或提升了评分者间一致性,并在 90 项标准中通过测试,可有效支持自动化评分。

  6. arXiv · NLP28

    LLM 幻觉风险控制的稳定性补偿阈值校准方法

    针对 LEC 方法在独立同分布采样下违反总体 SCER 目标的问题,提出稳定性补偿线性期望控制(SC-LEC)方法。 利用理论全数据参考的负线性风险补偿阈值选择不稳定性,并推导两个有限样本证书。在 CommonsenseQA、ARC-Challenge 和 TriviaQA 数据集上验证了该方法的保留增益。

  7. arXiv · NLP29

    从社交媒体话语估算心理测量网络:基于抑郁与进食障碍的研究

    研究团队提出从社交媒体话语直接估算症状解析心理测量网络的框架,并首次在3个独立语料库中验证该框架,涵盖抑郁与进食障碍。 在抑郁研究中,表达评分与BDI-II总分相关系数达0.434,21个条目中20个通过FDR显著性检验,分半信度为0.935。 网络比较测试显示不同模态间仅3%-5%的边存在差异,但桥接症状表现出分歧;识别的语言特征在全部3个语料库中方向一致,并聚为三个构念家族。

  8. arXiv · NLP40

    POND:基于潜空间桥接的大模型与小模型无解码协作

    POND方法通过冻结大模型仅执行预填充,利用可训练桥接将隐状态映射为注意力键值供小模型生成,彻底消除大模型自回归解码开销。 该方法在推理与代码基准上显著提升性能,GLM-5.3作为发送端带来的增益与Qwen3.8-Max相当,且在数学代码任务上训练后可直接迁移至通用知识任务。 这表明前沿大模型的预填充表征能有效提升小模型生成质量,无需依赖大模型进行自回归解码。

  9. arXiv · NLP20

    LATTE-WordSeg-Lite:CPU 上的多粒度泰语分词及可复现基准

    LATTE-WordSeg-Lite 是一个 1.17M 参数的 CPU 分词器,能单次输出复合词、单词和语素,在七个测试集中于五个超过 DeepCut。 它采用统一协议重建测试集,对比十二个系统;在单线程下速度比 DeepCut 快 23 倍,模型与基准脚本已开源。 该成果解决了泰语分词资源与子词 token 不匹配的问题,提升了 NLP 工具的可复现性。

  10. arXiv · NLP23

    dhAIBench:评估大语言模型语言学标注能力的基准测试框架

    作者发布 dhAIBench,一个用于评估大语言模型在语言学标注任务中表现的基准测试与标注工具。 该工具支持记录提示词、配置和预测结果,并提供了探索与分享结果的网页界面。 研究通过 48 个模型在 9 项语言学任务上的 293 次运行结果,证明了模型在形态学、句法、语义等任务上能达到与参考标注的高一致性。 结果表明,应针对具体的语言学任务评估模型,而非依赖通用的排行榜。

  11. arXiv · NLP35

    基于生成式 AI 的全屋智能服务架构:边缘模型、记忆管理与家居应用

    该论文提出以家庭本地服务器为核心的设计导向综述框架,梳理了生成式 AI 在全屋智能服务中的应用架构。 框架识别出本地服务器的九项职责,生成模型负责感知与意图理解,确定性验证及授权租约限制动作风险。 现有基准测试依赖虚拟环境,无法替代真实部署评估;本地部署本身不必然更安全。

  12. arXiv · NLP25

    研究揭示大语言模型可通过置信度自适应调整答案粒度

    研究表明微调能提升 LLM 在不确定时输出较粗粒度答案的能力,兼顾正确性与信息量。 测试 LFM2.5-1.2B、Ministral3 3B、Qwen3.5-9B 和 Gemma4 31B 发现,低置信度时模型更倾向输出粗粒度答案,且小模型表现优于基础模型。 证明了置信度相关的粒度自适应是可学习的,但收益因模型而异。

  13. arXiv · NLP28

    LLM 能否预判用户编辑请求?EditRecBench 基准与门控策略研究

    研究形式化了“编辑推荐”任务,指出LLM预判用户编辑请求在实际场景中面临固有难度。 构建基于WildChat-4.8M日志的EditRecBench基准,引入决策模型门控过滤低置信度预测,使展示建议的pass@5提升12-25分。 该机制通过降低错误预测的呈现频率,减少了用户审核与反馈的人工成本。

  14. arXiv · NLP28

    SWE-WhatIf:通过模拟真实用户会话评估编码智能体

    SWE-WhatIf 通过建模用户意图与满足标准,实现对新编码智能体的自适应会话重放。该框架在 89 个真实会话中生成的回复最接近真实用户,且在回避用户反对行为的测试中胜率高达 66.3%。 该工具被用于对五个 LLM 编码智能体进行排名,并在一项涉及 16 名用户的研究中影响了 14 人的后续智能体使用决策。

  15. arXiv · NLP37

    语音情绪识别评估:临床语音智能体中挫折感检测的效果与局限

    研究显示,在临床语音智能体中仅依赖转录文本无法有效识别患者的挫折感,约59%的轮次仅包含一两个词。 在30个通话样本中,引入音频信息对识别准确率的影响因模型而异,部分Gemini 2.5模型在提示下提升了3.0个百分点,但部分开源模型表现反而下降。 研究结论表明,针对短文本轮次,单纯转录文本不足以排除患者处于挫折状态,音频辅助需结合特定模型与提示策略才能有效。

  16. arXiv · NLP35

    Living Context Graphs: Continual Semantic Learning for Enterprise Data Reasoning

    团队提出Living Context Graph(LCG)持续学习上下文层,在BIRD数据库text-to-SQL任务上将准确率提升22.6个百分点。 LCG无需复制底层数据仓库,通过自举语义和概念图索引业务上下文,增量学习性能接近单次学习终点。 该技术已被NeurIPS 2026 Workshop接收,显著提升了企业数据推理效率。

  17. arXiv · NLP33

    经验侵蚀现象:资深智能体在工具变更时表现反而不如新手

    研究发现一种名为“经验侵蚀”的故障模式:当工具定义发生静默变更时,基于 MCP 构建的资深智能体在大多数任务上失败,而新手智能体多数成功。 资深智能体倾向于复用旧调用而非检查当前接口,即便工具定义已显示变更,它们仍错误地报告成功。这种失败存在于所有测试的记忆形式中,且随经验量增加而加剧;简单告知更新或指向文档无法有效解决该问题。

  18. arXiv · NLP21

    CuRSE-Bench: 一个用于探测文生图安全评估中文化盲点的基准

    CuRSE-Bench 揭示文生图安全评估存在文化盲点,包含 10,709 个文化特定提示词和 2,648 个通用对照,覆盖六个地区与十个危害轴。 该基准通过 CultureCraft 框架构建提示词,测试发现文化盲点评判员低估文化特定潜在危害,但其在通用对照上与地区人格评判员表现一致。 这一选择性盲点持续存在于已部署的审核系统中,凸显现有安全评估机制对特定文化背景下的隐性危害缺乏有效识别能力。

  19. arXiv · NLP28

    数字痕迹预测分析:任务效应、学生差异与关键网络推理中的跨任务稳定性验证

    针对 424 名大学生 527 个浏览会话的研究表明,在跨任务评估中,咨询顺序与关系结构对相对学生表现无显著预测贡献,十二项预设主要测试均未显著。 尽管跨任务合并观察显著提高了相关性,特别是事实正确性方面,但句子嵌入仅在保持任务上与通用响应质量呈现微弱正相关,未确立额外预测价值。 研究指出合并预测相关性可能无法反映任务内学生差异,凸显了任务内评估与标准泛化性审计的必要性。

  20. arXiv · NLP33

    GPRM:一种全局视角的过程奖励模型

    GPRM提出联合建模问题、历史步骤及评估、当前步骤和未来步骤,构建全局感知的过程评估框架。 该模型基于SFT和GRPO构建数据集,在PRMBench和ProcessBench上分别比强基线高出7.8和5.4分。 GPRM在Agent Error Bench上超越GPT-4.1基线,测试时扩展提升约4分。