标签
本文对比了大语言模型中基于规则与基于示例的上下文学习，发现规则在各类任务中通常能带来更可靠的学习效果，并探讨了模型特性与任务特性对此的影响。
本文介绍了IDRAAK，一个可解释的框架，用于检测翻译后技术需求中的语义漂移，采用语义需求表示和多种检测工作流，表明简单的少样本提示优于更复杂的多智能体方法。
本文在平行文本上测量了25种欧洲语言的分词器标记率，发现从英语到希腊语/马耳他语的差距达到2.5倍，其中乌克兰语承受15-18%的惩罚。研究证明了标记率排名的领域不变性，分析了子词碎片化，并评估了跨语言少样本效应。
PromptAudit是一个受控评估框架，通过隔离提示表述对基于LLM的漏洞检测的影响，发现思维链提示在整体性能上表现最佳，同时提示敏感性必须被视为一级系统属性。
SwanNLP在SemEval-2026任务5中提出了一个基于LLM的合理性评分框架，用于叙述词义消歧任务。该框架采用结构化推理和动态少样本提示技术，预测短篇故事中词义的人类感知合理性。研究表明，通过少样本提示和模型集成，商用大参数语言模型能够有效复现真实叙述场景中的人类判断模式。