标签
HuggingModels 分享了一个基于 RoBERTa 的模型，可自动对漏洞报告的严重程度进行分类，训练数据来自真实的漏洞评分，旨在帮助安全团队更高效地处理海量 CVE。
该研究提出一种分解式关系抽取框架，在NTSB航空事故叙述基准上评估TF-IDF SVM与RoBERTa在关系稀疏条件下的表现，发现穷举评估下性能大幅下降且假阳性泛滥，凸显候选空间管理与假阳性控制的挑战。
该研究利用RoBERTa掩码语言建模，在科幻与一般小说语料库中对man/woman/person进行掩码替换分析，发现两个语料库都存在跨性别二元的替换，但科幻展现出更强的性别可渗透性与去性别化倾向，为计算文学研究提供了可迁移的分析管线。
作者将两个开源 AI 内容检测模型（RoBERTa 文本检测器约 500MB 压缩至 97MB，以及 26MB 的 ViT 图像检测器）通过 ONNX Runtime Web 和混合精度量化等技术实现在浏览器端完全本地运行，无需上传数据，文本检测约 60ms、图像约 200ms。
这篇 arXiv 论文表明，基于 RoBERTa 的机器生成文本检测器追踪的是统计复杂性而非机器作者身份：通过 Mistral-7B 对 LLM 输出进行"人性化"处理反而提高了词汇多样性（Verb Diversity）和检测得分；该检测器在正式人类写作上的误报率高达 76.3%，且 41% 的同形字符（homoglyph）攻击可绕过检测。基于事件的隐空间检测方法则被证明对改写和字符级扰动十分脆弱。
本文介绍了YNU-HPCC团队在SemEval-2025 Task 11中针对基于文本的情感识别任务的方法，使用了一个带有增强输出头的RoBERTa模型，并通过英文翻译数据集获得了0.44的排名分数。
对BART、BERT和RoBERTa在文本摘要中的比较研究，探讨它们的架构以及在抽取式和生成式摘要任务中的适用性。
本文比较了基于RoBERTa的情感分析与基于LLM的多维框架分析在政治新闻文章中的应用，发现传统情感分析存在“中性崩溃”问题，而基于LLM的方法能更好地捕捉偏见、耸人听闻和框架效应，适用于社会科学研究。
提出了一种层次感知的RoBERTa框架，用于在CWE分类法中分类网络安全漏洞，表明层次感知表示学习在处理类别不平衡方面比过采样技术更有效。
本文介绍了UCSC NLP在SemEval-2026 Task 10（PsyCoMark）中使用的系统，针对阴谋论标记提取采用了基于边界感知的跨度抽取与RoBERTa，以及文档级别的阴谋论分类（含标签平滑）。该系统在子任务1中排名第7，在子任务2中排名第12。
本文提出了一种用于跨平台中文攻击性评论检测的双阈值难例挖掘策略，以解决因领域偏移导致的性能下降问题。该方法在COLD数据集上微调RoBERTa模型，并利用极少数标记数据将其适应于四个中文社交媒体平台。
HierBias提出了一种层次化的上下文条件模型用于媒体偏见检测，利用文档上下文改进句子级分类，在BABE和BASIL数据集上达到了最先进的F1和MCC分数。
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。
本文利用平行圣经翻译引入了一种受控内容重叠设置，用于评估风格分类器在多大程度上依赖内容线索而非实际风格特征。结果表明，当移除内容线索时，低重叠模型性能下降，而高重叠模型则迁移得更为稳健。
本文表明，微调后的AI文本检测器放大了预训练的典型性轴，而非学习AI与人类之间的界限，原始编码器投影通常达到或超过微调后的性能。
苏黎世联邦理工学院的研究人员表明，经过微调的RoBERTa模型可从ChatGPT聊天日志中以高于随机44%的准确率推断用户的大五人格特征，凸显对话AI的隐私风险。