全部文章，按抓取时间从新到旧排列。
This paper introduces the Individual Conformal Coupling Monitor (ICCM), a pre-inference method to detect structural ambiguity in wearable stress classification, improving safety by routing uncertain signals for abstention or deferral.
This paper introduces a tri-stream fine-tuned LLM framework for automated clinical supervision in mental health, achieving high technique identification accuracy and reducing supervisory triage latency from 72 hours to real-time.
This paper evaluates the robustness of AI code agents when codebases are perturbed with semantics-preserving transformations, revealing a jagged frontier where model performance varies unpredictably across different scaffolds and benchmarks.
This paper presents the first systematic study of word segmentation for the extinct Tangut language, combining traditional lexicons, unlabeled text, and a pretrained character encoder to achieve high performance despite extreme resource scarcity.
The paper introduces THPT-Ladder, a benchmark that evaluates AI models using Vietnam's 2025 convex marking scheme, revealing how partial credit gaps lead to inaccurate assessments compared to standard accuracy metrics.
This research investigates whether fine-tuning large language models on cultural data improves figurative language understanding and vice versa, finding that while poetry fine-tuning enhances idiom comprehension, cultural fine-tuning can reduce proverb accuracy, highlighting a non-straightforward relationship.
This paper investigates using governance records from machine-verifiable workflows as supervision for training language models to perform structured workflow repair, demonstrating that verifier-selected self-training enhances execution efficiency and validity.
本文将 SmoothQuant 集成到 PyTorch 的原生栈中，以在 Intel Xeon CPU 上高效进行小型 NLP 模型的 INT8 推理，实现了高达 5.8 倍的加速，且精度损失可忽略不计。
ComponentBench 引入了一个基准和诊断管道，用于评估计算机使用代理在现代网页用户界面中的组件级交互，通过关注现实、短暂的交互来诊断跨模型的故障，从而填补当前评估方法的空白。
本文通过研究表情符号增强的提示，探讨了大语言模型在文本输入之外的安全性，揭示了当前安全评估的漏洞和模型依赖性漏洞。
SESSE是一个无需训练的框架，将整体性的LLM-as-Judge评估分解为结构化子问题，从而提高可解释性并诊断标签模糊性，同时与微调模型达到竞争性的性能。
本研究评估了 LLMs 在电子商务任务中作为数据质量标注器的表现，发现当需要背景知识时，它们优于基线方法，但对于具有强烈词汇信号的任务优势有限，同时展示了跨运行的高度一致性。
本文提出了一个在Netflix使用大语言模型作为评判者来评估推荐解释的生命周期框架，涵盖从开发到部署和监控的各个阶段，并通过A/B测试取得了积极结果，显示用户参与度得到提升。
本文对开源OCR、LLM和VLM系统在高风险公共部门应用中的结构化信息提取进行了基准测试，发现VLM通常优于OCR+LLM流水线，但大多数配置在零样本设置中表现不佳，强调了输入质量的关键作用。
研究考察了大型语言模型对道义情态词的使用情况，发现与人类相比，模型较少使用'must'和'should'等术语，这反映了其训练基于正式书面语料库。
本文提出了一项关于训练Mixture-of-Experts路由器以实现缓存局部性对抗内存带宽墙的预注册负面结果，表明尽管采用了训练机制，未命中率降低与语言建模质量之间存在权衡。
本文介绍了一种无指令的纯对齐方法，用于构建大型音频-语言模型，该方法通过冻结LLM和音频编码器，仅在自生成数据上训练一个轻量级投影器，实现了与传统多阶段流程相比更少数据下的竞争性性能。
Redakto 是一个开源工具，旨在在将文本输入大型语言模型之前对其进行匿名化，通过 PII 编辑和假名化确保隐私，并进行了关于隐私和实用性的实证评估。