标签
介绍了Tatoxa，一个用于鞑靼语文本去毒化的最先进系统，优于现有的大语言模型。引入了一个新数据集，并表明跨语言迁移的效果比使用原生数据差。
本文提出了SARA框架，该框架利用Jensen-Shannon散度对齐多语言输入的路由分布，以改善稀疏混合专家模型中低资源语言的专家共享。在Qwen3-30B-A3B和Phi-3.5-MoE-instruct上的实验显示在多语言基准上有改进。
本文研究了基于提示学习的方法来自动生成学术论文的亮点，使用了GPT-2、T5和ChatGPT等模型，并表明使用少量样本提示的ChatGPT在无需任务特定训练数据的情况下，其表现可与监督方法相媲美甚至更优。
本文开发了针对药物使用者的自我污名编码手册，并分析了72,115条Reddit帖子，以考察认知、情感和行为污名指标的普遍性、共现性和时间模式，发现自我污名表现为一种整合现象，行为指标通常先于核心指标出现。
本文提出了一种资源轻量级算法，通过消歧后从英语WordNet转移词性标签，自动为Al-Mawrid阿英双语词典中的词义分配词性标签，以极低成本实现了高准确率。
T2D-Bench是一个基于多层临床-生活方式知识图谱的基准测试，用于评估大语言模型在2型糖尿病方面的输出。结果显示，当前大语言模型约有三分之一的情况未能通过证据路径检查。
本文从学术论文全文构建大规模算法共现网络，研究自然语言处理中算法的集体影响力，发现经典、高性能及交叉领域的算法在网络中占据核心位置。
本文介绍了RASC+，一种用于临床值集编制的检索约束型大语言模型裁决方法，其通过基于Qwen3的检索和盲目裁决，提升了候选集召回率和选择精度，显著优于RASC基线中的直接生成方法。
本文提出一个可扩展的框架，利用LLM对定性反馈中的产品需求度进行隐式情感分析，实现了高达0.97的皮尔逊相关系数和94%的准确率，并提供解释，其中GPT-4o-mini在成本降低94%的情况下实现了相似的性能。
一项系统性的实验分析，评估了八种最先进的扩散语言模型在多个基准测试上的表现，分析了生成质量与计算效率之间的权衡。
本文探讨了为何AI系统在理解人类对话中的不确定性和歧义方面存在困难，并强调了自然语言理解领域持续面临的挑战。
2026年1月6日发布的《Speech and Language Processing》第3版草案由Dan Jurafsky和James H. Martin撰写，采用了修订后的结构，重点关注大型语言模型并更新了章节。
本文介绍了近似结构化扩散（Approximate Structured Diffusion），一种将条件随机场（CRF）与离散扩散相结合用于序列标注的方法。它使用以噪声标签序列为条件的CRF和近似平均场推理，在词性标注上实现了16.5%的错误率降低。
本文介绍了PEC-Home，一个用于解释智能家居中递进省略命令的模拟家居数据集，并发现当前基于LLM的助手由于指代歧义和意图歧义而难以处理此类命令。
本文介绍了一个包含1,200份临床文档和9,184条不确定性标注的基准，用于评估LLMs是否能在临床文本中保持诊断不确定性，结果发现LLMs常常无法保留原始不确定性线索，且在细微区别上表现不佳。
本文研究了从大语言模型中提取机器翻译输出置信度的口头化方法，并将其与内部token概率进行了比较。研究发现，尽管两种方法在错误检测和校准方面表现相似，但内部置信度与口头化置信度之间几乎没有相关性。
对Web规模LLM预训练数据中叙事特征的细粒度研究，引入了NarraBERT和NarraDolma来测量叙事模式及其在不同来源中的分布。
Sumi 是一个 7B 参数的均匀扩散语言模型，在 1.5T token 上从头预训练，在知识和推理任务上取得了有竞争力的性能，同时完全开源，发布了模型权重和训练方案。
本文介绍了用于分类真实B2B对话的Call Playbook数据集，并提出将示例提炼为紧凑、可解释的任务指令的方法，相比传统上下文学习实现了99%的Token压缩和高达7%的AUC提升。
本研究探究了经过指令微调的大语言模型（Llama-3.1-8B、Qwen2.5-7B、Mistral-7B、Phi-3-mini）能否可靠地分类失语症语篇转录中的正确信息单元。少样本提示使三个模型获得了具有竞争力的F1分数（0.776–0.817），但性能因严重程度而异，且与人类标注的一致性仍不足以实现完全自主使用。