标签
本文复现了一种针对印地语的分布式语义抽取式摘要方法，并在标准语料库上进行评估，发现句子位置是唯一有效的特征，且当前的印地语基准测试未能激励高级内容选择。
本研究使用Google的Gemma-2-27b模型，重现了AI模型中情感表征在几何上镜像人类情感心理学的发现，并扩展分析以定位关键层并评估词元级别效应。
一项复制研究未能重现一篇2022年关于拖延症与截止日期的论文发现，引发对原始有影响力研究数据欺诈的指控。
一项关于GPT-5.4的研究表明，在系统提示中添加一个变音符号可以显著提高精确输出产物的比率，从47%提升至94%，并提供了论文以供复现。
本文复现了一项关于使用FLOPs评估AI效率的研究，验证了原始FLOPs在新硬件上不适合作为执行时间的度量，并强调了研究中完整复现包的必要性。
这项重复研究独立验证了自然语言工具（NLT）框架在14个模型和8,560次试验中的有效性，结果显示，与结构化工具调用相比，NLT将工具调用准确率提高了14.9个百分点，并将关键错误减少了93%，其中较小模型和推理模型的收益最为显著。
本文复现了开源权重大语言模型Apertus-8B和Gemma-4-E4B中'情感向量'的发现，表明价态几何结构在不同模型间可恢复，但层间出现时机存在差异。研究还发现唤醒编码对用于提取的故事语料库敏感。
本文实证检验了基于LLM的用户状态分类的心理测量学可靠性，发现213项指标中仅有31项满足可靠性标准，对实时自适应系统中的信任提出了质疑。
这项复制研究评估了DExperts在缓解LLM毒性方面的效果，发现其对显式毒性几乎完美安全，但对隐式仇恨言论效果降低，并且存在显著的延迟权衡。