Towards Explainable Strategy Templates using NLP Transformers
Moorfields Eye Hospital NHS Foundation Trust(摩尔菲尔德眼科医院国民保健服务基金会信托);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出一种结合NLP和LLMs的顶层算法,将自动智能体谈判中DRL学到的数学启发式策略转化为易懂的自然语言叙述,并通过示例验证了其适用性。
2023-11-23 cs.AI
LCS: A Language Converter Strategy for Zero-Shot Neural Machine Translation
Beijing Jiaotong University(北京交通大学);Pattern Recognition Center, WeChat AI, Tencent Inc(腾讯公司微信AI模式识别中心)
本文提出语言转换器策略(LCS),通过在编码器顶层引入目标语言嵌入,解决零样本神经机器翻译中的偏离目标语言问题,并在多个数据集上显著提升语言准确率和BLEU分数。
2024-06-06 cs.AI cs.CL
Reproducing and Extending Experiments in Behavioral Strategy with Large Language Models
Drexel University(德雷塞尔大学);University of Southern Denmark(南丹麦大学)
本研究提出用LLM智能体作为行为策略研究新方法,复现人类实验并验证其行为与人类相当,还通过分析智能体模拟想法发现前瞻性思维与偏好利用以增富的关联,为该领域研究提供新路径。
2024-10-09 cs.AI econ.GN q-fin.EC
$(RSA)^2$: A Rhetorical-Strategy-Aware Rational Speech Act Framework for Figurative Language Understanding
First Author Affiliation(第一作者机构)
本文提出修辞策略感知的 $(RSA)^2$ 框架,通过建模说话者修辞策略解释比喻语言,并结合 LLM 在新数据集 PragMega+ 上取得最优性能。
2025-06-10 cs.AI cs.CL
SMAR: Soft Modality-Aware Routing Strategy for MoE-based Multimodal Large Language Models Preserving Language Capabilities
针对多模态 MoE 模型适配预训练模型时语言能力退化或训练成本高的问题,提出利用 KL 散度控制跨模态路由分布的正则化技术 SMAR,仅需 2.5% 纯文本即能以 86.6% 保留率维持语言能力并保持多模态性能。
2025-06-25 cs.AI cs.CL
Towards Robust Pruning: An Adaptive Knowledge-Retention Pruning Strategy for Language Models
North Carolina State University(北卡罗来纳州立大学);New York University(纽约大学);NEC-Labs(NEC实验室)
本文提出一种训练后自适应知识保留剪枝策略,通过复现稠密模型的嵌入与特征空间并校正累积误差,在BERT和多个数据集上实现了准确率、稀疏性、鲁棒性与剪枝成本的更优平衡。
2024-01-11 cs.AI cs.CL
SwarmBrain: Embodied agent for real-time strategy game StarCraft II via large language models
AI Team, BMW Archermind Technology Company (BATW, BMW Group)(宝马Archermind科技公司AI团队(BATW,宝马集团))
本研究针对LLM在实时策略游戏中的效能问题,提出由宏观策略矩阵和快速反射网络组成的SwarmBrain智能体,在《星际争霸II》中操控虫族击败了不同难度的电脑人族对手。
2024-01-31 cs.AI
Automatically Planning Optimal Parallel Strategy for Large Language Models
HUAWEI(华为)
本文提出一种基于模型与硬件信息自动规划大语言模型最优并行策略的算法,通过训练时长仿真模型和解空间剪枝实现实时搜索,实验表明其估计准确率达96%且推荐策略始终全局最优。
2024-12-31 cs.AI cs.CL
SAS: Self-Augmentation Strategy for Language Model Pre-training
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Alibaba Group(阿里巴巴集团)
预训练语言模型的自监督学习的核心包括预训练任务设计以及适当的数据增强。语言模型预训练中的数据增强大多与上下文无关。最近在ELECTRA中提出了一种开创性的情境化增强,并通过引入辅助生成网络(生成器)来产生情境化数据增强以用于主判别网络(SVM)的训练来实现最先进的性能。然而,这种设计引入了生成器的额外计算成本,并且需要调整生成器和ADC之间的相对能力。在本文中,我们提出了一种自增强策略(SAS),其中一个单一的网络被用于定期的预训练和上下文化的数据增强的训练在以后的时代。从本质上讲,这种策略消除了一个单独的生成器,并使用单个网络来联合执行两个预训练任务,即MLM(掩码语言建模)和RTD(替换令牌检测)头。它避免了寻找合适尺寸的发生器的挑战,这对ELECTRA及其后续变体型号的性能至关重要。此外,SAS是一种通用策略,可以与最近或未来出现的许多新技术无缝结合,例如来自DeBERTA的解开的注意力机制。我们的实验表明,SAS是能够优于ELECTRA和其他国家的最先进的模型在胶水的任务具有类似或更少的计算成本。
2023-01-11 cs.AI cs.CL
A Universal Prompting Strategy for Extracting Process Model Information from Natural Language Text using Large Language Models
University of Bayreuth(拜罗伊特大学);University of Vienna(维也纳大学)
本文提出一种通用提示策略,利用大型语言模型从文本过程描述中提取过程元素及其关系,在三个数据集上F1分数绝对提升最高达8%,超越现有机器学习方法。
2024-07-26 cs.AI cs.CL
EquaCode: A Multi-Strategy Jailbreak Approach for Large Language Models via Equation Solving and Code Completion
School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou, China(计算机科学与技术学院,浙江科技学院,杭州,中国)
EquaCode通过方程求解和代码补全提出多策略对抗方法,有效提升大语言模型的鲁棒性。
2025-12-29 cs.AI cs.CR
Multi-dimensional data refining strategy for effective fine-tuning LLMs
RMIT University Vietnam(RMIT越南校区);School of Science, Engineering, and Technology(科学、工程与技术学院)
针对越南语等低资源语言微调数据稀缺与多样性问题,提出融合现有英语数据集和生成式AI辅助爬取脚本的多维数据精炼策略,并验证其可提升新闻生成效果。
2023-11-02 cs.AI cs.CL
AutoRISE: Agent-Driven Strategy Evolution for Red-Teaming Large Language Models
Responsible AI, Microsoft(微软责任人工智能)
本文提出AutoRISE,通过代理编辑攻击策略并评估,实现攻击策略的进化,提升了对抗成功率。
2026-04-23 cs.AI cs.CR cs.MA
A Progressive Training Strategy for Embodied Vision-Language Models to Mitigate Spatio-Temporal Hallucinations
Zhejiang University(浙江大学);The Hong Kong University of Science and Technology(香港科技大学);Qingdao University(青岛大学);The University of Hong Kong(香港大学);Shanghai Jiao Tong University(上海交通大学);The Chinese University of Hong Kong(香港中文大学);University of YYY(YYY大学);Institute of WWW(WWW研究所)
本文提出一种渐进训练框架,通过构建CoT数据集和弱标签数据提升视觉语言模型的时空推理能力,有效缩小了正反向性能差距。
2026-09-09 cs.AI
Large Language Models Playing Mixed Strategy Nash Equilibrium Games
Nokia Bell Labs(诺基亚贝尔实验室)
本文研究大型语言模型在无纯策略纳什均衡的混合策略博弈中寻找均衡的能力,发现赋予代码执行能力和特定提示可显著提升其性能,但在博弈随机化策略难以推导或博弈被微调时表现下降。
2024-10-12 cs.AI cs.GT
Learning Strategic Language Agents in the Werewolf Game with Iterative Latent Space Policy Optimization
Tsinghua University, Beijing, China(清华大学);Beijing Zhongguancun Academy, Beijing, China(北京中关村学院);Shanghai Qi Zhi Institute, Shanghai, China(上海启智研究所)
针对LLM智能体在战略语言游戏中的偏差与探索不足,提出LSPO迭代框架,结合博弈论与DPO微调,在狼人杀中提升策略与语言能力并超越现有智能体。
2025-06-18 cs.AI
Yanyun-3: Enabling Cross-Platform Strategy Game Operation with Vision-Language Models
Nanjing University of Science and Technology(南京理工大学);Nanjing University(南京大学)
Yanyun-3通过整合视觉-语言模型和结构化多模态数据组织,实现了跨平台战略游戏操作的自动化,提升了任务执行效率和泛化能力。
2025-11-24 cs.AI cs.CV
KunLunBaizeRAG: Reinforcement Learning Driven Inference Performance Leap for Large Language Models
KunLun Meta(昆仑元)
本文提出强化学习驱动的KunLunBaizeRAG推理框架,通过RDRA、STIE和NLR等机制及混合训练策略,有效解决传统RAG局限,显著提升LLMs在复杂多跳问答任务中的推理性能。
2025-06-27 cs.AI
Learning to Disprove: Formal Counterexample Generation with Large Language Models
ETH Zurich(苏黎世联邦理工学院);University of Toronto(多伦多大学);MiroMind(MiroMind公司);Nanjing University(南京大学)
本文通过微调大语言模型生成形式反例,解决数学推理中反例发现的不足,提出符号突变策略提升训练效果。
2026-10-15 cs.AI
Representing and Reasoning about Game Strategies
The University of New South Wales(新南威尔士大学)
为了应对构建游戏AI系统的挑战,我们开发并分析了一种用于表示和推理策略的形式语言。我们的逻辑语言建立在现有的一般游戏描述语言(GDL),并扩展了它的线性时间的标准模态以及两个双连接词来表达偏好时,结合策略。语言的语义由标准的状态转换模型提供。因此,需要对游戏进行推理的问题可以通过对动作和变化进行推理的标准方法来解决。我们还赋予语言一个特定的语义,战略公式被理解为一个球员的移动建议。为了说明我们的形式主义如何支持自动推理的战略,我们展示了两个例子的实现方法:第一,我们形式化的语义解释我们的语言结合游戏规则和战略规则的情况演算;第二,我们展示了如何推理问题可以解决答案集编程。
2014-07-21 cs.AI
Dynamic Strategy Planning for Efficient Question Answering with Large Language Models
Univeristy of California, Los Angeles(加利福尼亚大学洛杉矶分校);Meta AI
本文提出DyPlan动态策略规划方法,通过根据输入问题选择最优推理、规划或检索策略并引入验证纠正机制,在多跳问答任务中实现性能提升7-13%、成本降低11-32%。
2025-02-08 cs.AI cs.CL cs.LG
SAAS: Solving Ability Amplification Strategy for Enhanced Mathematical Reasoning in Large Language Models
Upstage AI;Mathpresso Inc.(Mathpresso公司)
提出 SAAS 顺序学习策略,通过先 CoT 后 PoT 的训练顺序增强 LLM 的数学推理与解题能力,并在多个基准上达到 SOTA。
2024-10-02 cs.AI cs.CL
mCSQA: Multilingual Commonsense Reasoning Dataset with Unified Creation Strategy by Language Models and Humans
Nara Institute of Science and Technology(奈良科学技术研究所)
本文提出多语言常识问答数据集mCSQA,利用语言模型高效构建并验证问答对,实验表明多语言模型在深层常识问题上跨语言迁移能力有限,凸显了语言特定数据集的必要性。
2024-06-06 cs.AI cs.CL cs.LG
Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering
Computer Science Department(计算机科学系);School of Computer Science(计算机科学学院);Bina Nusantara University(宾厄斯大学)
本研究将自适应RAG系统应用于印度尼西亚语问答,通过机器翻译增强数据,利用复杂度分类器选择回答策略,实验发现多检索策略存在不一致性,揭示了低资源语言问答的潜力与挑战。
2025-10-24 cs.AI cs.CL
BacktestBench: Benchmarking Large Language Models for Automated Quantitative Strategy Backtesting
Beijing Normal University(北京师范大学);Elmleaf Ltd.(Elmleaf公司)
提出首个大规模自动化量化回测基准BacktestBench,包含18,246个问答对,并设计多智能体基线AutoBacktest,通过协调摘要器、检索器和编码器实现自然语言策略到可重复回测的转换。
2026-05-25 cs.AI cs.CL
ALPS: Attention Localization and Pruning Strategy for Efficient Alignment of Large Language Models
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
提出ALPS算法,通过定位任务敏感注意力头并限制训练更新,仅激活10%参数即实现2%性能提升,且头可迁移、减轻遗忘,为高效LLM对齐提供新视角。
2025-06-18 cs.AI cs.CL
A Study of Large Language Models for Patient Information Extraction: Model Architecture, Fine-Tuning Strategy, and Multi-task Instruction Tuning
University of Florida(佛罗里达大学);Selfii
本研究围绕患者信息抽取任务,考察不同架构大语言模型、参数高效微调算法及多任务指令微调的效果,通过多数据集基准测试验证相关方法的抽取性能与泛化能力。
2025-09-05 cs.AI cs.CL
Continual-learning for Modelling Low-Resource Languages from Large Language Models
Machine Intelligence Group, Department of CS&IS, Birla Institute of Technology and Sciences, Pilani, India(机器智能组,计算机科学与信息系,比拉理工学院和科学学院,印度帕利尼)
本文提出利用基于词性的代码切换和重放适配器策略,解决从大语言模型构建小语言模型时的灾难性遗忘问题,并在视觉语言任务中验证了方法的有效性。
2026-01-09 cs.AI cs.CL
Symbolic and Language Agnostic Large Language Models
Institute for Experiential AI, Northeastern University(体验人工智能研究所,东北大学)
针对大语言模型亚符号本质导致知识不可解释、推理能力不足的问题,提出在符号框架下采用自底向上的大规模语言逆向工程策略,构建符号化、语言无关且基于本体论的大语言模型。
2023-08-27 cs.AI cs.CL
Select-Then-Decompose: From Empirical Analysis to Adaptive Selection Strategy for Task Decomposition in Large Language Models
Beijing University of Posts and Telecommunications(北京邮电大学)
针对任务分解中性能与成本难以兼顾的问题,本文通过实证分析提出 Select-Then-Decompose 自适应策略,在多基准上实现 Pareto 最优平衡。
2025-10-20 cs.AI cs.CL
Playing games with Large language models: Randomness and strategy
UNSW(新南威尔士大学)
本文探讨大语言模型在石头剪刀布和囚徒困境中的博弈能力,发现其随机输出存在严重偏差,并在重复博弈中表现出损失厌恶策略,揭示了其在多智能体战略决策中的局限性。
2025-03-04 cs.AI cs.GT
Improving Self-supervised Pre-training via a Fully-Explored Masked Language Model
Microsoft Dynamics 365 AI(微软Dynamics 365人工智能);Microsoft Research(微软研究院)
Masked语言模型(MLM)框架已被广泛用于自监督语言预训练。在本文中,我们认为,随机抽样的MLM掩模会导致不必要的大梯度方差。因此,我们理论上通过将梯度协方差与两个不同掩码之间的汉明距离(给定特定文本序列)相关来量化梯度方差。为了减少由于掩码采样而产生的方差,我们提出了一种充分探索的掩码策略,将文本序列划分为一定数量的非重叠段。此后,一个段内的标记被掩蔽以用于训练。从理论的角度来看,我们证明了这种新的掩蔽模式产生的梯度具有较小的方差,可以导致更有效的自监督训练。我们从零开始对连续预训练和一般预训练进行了广泛的实验。实验结果证实,这种新的掩蔽策略可以始终优于标准的随机掩蔽。详细的效率分析和消融研究进一步验证了我们在MLM框架下充分探索的掩蔽策略的优势。
2020-10-14 cs.AI cs.CL
Natural Language-Programming Language Software Traceability Link Recovery Needs More than Textual Similarity
School of Computer Science and Artificial Intelligence, Wuhan Textile University(计算机科学与人工智能学院,武汉纺织大学);School of Computer Science, Wuhan University(计算机科学学院,武汉大学);The University of Melbourne(墨尔本大学);The University of Western Australia(西澳大学)
针对软件可追踪性链接恢复中文本相似性不足的问题,提出整合多种领域特定辅助策略的HGT和Gemini 2.5 Pro模型,在需求-代码任务上平均F1分别提升3.68%和8.84%。
2025-09-06 cs.AI cs.SE
Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Ant Group(蚂蚁集团)
Auto-RT 提出基于强化学习的自动越狱策略探索框架,通过提前终止探索和渐进奖励追踪机制高效发现大语言模型更广泛的安全漏洞,检测速度更快且成功率提升16.63%。
2025-01-03 cs.AI cs.CL cs.CR
Mixture of Decoding: An Attention-Inspired Adaptive Decoding Strategy to Mitigate Hallucinations in Large Vision-Language Models
New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences (CASIA)(模式识别新技术实验室,自动化研究所,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Kuaishou Technology(快手科技);Nanjing University(南京大学)
本文提出 Mixture of Decoding(MoD),通过比较原始与被注意图像 token 的输出一致性,自适应采用互补或对比解码策略,从而在多个基准上有效缓解 LVLMs 幻觉。
2025-06-10 cs.AI cs.CL cs.CV
The Role of Chain-of-Thought in Complex Vision-Language Reasoning Task
University of Pennsylvania(宾夕法尼亚大学);Meta AI
本研究提出“先描述后决策”策略,将思维链方法应用于复杂视觉-语言推理任务,使探测任务性能提升50%,为未来推理范式研究奠定基础。
2023-11-15 cs.AI cs.CL cs.CV
SeaEvo: Advancing Algorithm Discovery with Strategy Space Evolution
The University of Hong Kong(香港大学);JIUTIAN Research, China Mobile(钧天研究院,中国移动);City University of Hong Kong(城市大学)
SeaEvo通过策略空间进化层,将语言级策略推理转化为群体级进化状态,提升LLM引导的程序搜索效果,实现算法发现、系统优化和智能体设计任务的性能提升。
2026-05-08 cs.AI cs.CL cs.NE
Affective Flow Language Model for Emotional Support Conversation
College of computer science, Chongqing University(重庆大学计算机学院);National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学)
本文提出AFlow模型,通过建模多轮对话中的连续情感流动,提供细粒度监督以提升情感支持对话中的策略一致性和共情响应质量。
2026-09-28 cs.AI cs.CL
Fast Inference of Mixture-of-Experts Language Models with Offloading
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Yandex School of Data Analysis(Yandex数据分析学院);Yandex;Researchcore
针对消费级硬件上运行大型MoE语言模型的难题,提出利用MoE固有特性加速参数卸载的新策略,实现在桌面和免费Colab上混合量化运行Mixtral-8x7B。
2023-12-28 cs.AI cs.DC cs.LG
Text-to-SQL based on Large Language Models and Database Keyword Search
Instituto Tecgraf, PUC-Rio(里约天主教大学 Tecgraf 研究所);Petrobras(巴西石油公司);Departamento de Informática, PUC-Rio(里约天主教大学 信息学系);Departamento de Computação, UFC(塞阿拉联邦大学 计算机科学系)
本文提出一种结合动态少样本示例和数据库关键词搜索平台的策略,将自然语言问题编译为SQL查询,在真实世界数据库上超越现有方法。
2025-01-23 cs.AI cs.DB
Test-Time Fairness and Robustness in Large Language Models
Vector Institute(矢量研究所);University of Toronto(多伦多大学)
针对前沿大语言模型存在的社会偏差与对虚假特征敏感的问题,提出分层不变性的去偏差概念、对应的观测检验方法,以及能保证测试时分层不变性的数据增强与提示策略,无需额外训练即可持续降低模型偏差。
2024-10-04 cs.AI cs.CL
MAT: Mixed-Strategy Game of Adversarial Training in Fine-tuning
Hangzhou Dianzi University(杭州电子科技大学);Microsoft(微软)
本文提出混合策略对抗训练算法MAT,利用熵镜像下降推导纳什均衡,在BERT和RoBERTa等模型上验证,显著提升了泛化性和鲁棒性。
2023-06-27 cs.AI cs.CL
Subversion Strategy Eval: Can language models statelessly strategize to subvert control protocols?
Redwood Research(雷德伍德研究院);University of Oxford(牛津大学);Anthropic(Anthropic公司)
本文提出Subversion Strategy Eval评估套件,通过八个环境和六组支持条件测试语言模型在无状态下制定策略颠覆AI控制协议的能力,发现现有模型均不具备实质性能力,但提供额外支持条件可显著提升性能。
2025-04-04 cs.AI cs.LG
CoupleEvo: Evolving Heuristics for Coupled Optimization Problems Using Large Language Models
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出CoupleEvo,通过三种进化协调策略演化耦合优化问题的启发式方法,实验表明分解策略更稳定,而集成策略搜索复杂度高。
2026-05-07 cs.AI cs.NE math.OC
Typhoon: Gradient-Based Task-Specific Masking for Masked Language Models
Department of Computer Science, Stanford University(斯坦福大学计算机科学系)
本文提出Typhoon,一种基于任务损失梯度的自适应掩码策略,在GLUE任务上对比随机掩码和整词掩码,经严格评估发现无显著优势。
2026-10-21 cs.AI cs.CL
Uncovering Latent Reasoning Strategies in Language Models
研究将预训练语言模型响应分布分解为策略条件表示的问题,提出潜在变量分解方法,引入新变分目标,通过多策略算法任务基准验证了该方法能恢复潜在代码并保留基础模型响应分布。
2026-07-21 cs.AI cs.LG
Balanced Data Sampling for Language Model Training with Clustering
School of Computer Science, Fudan University(复旦大学计算机科学学院);Shanghai AI Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学)
针对大型语言模型训练中随机采样忽略数据分布不均衡的问题,提出ClusterClip Sampling方法,通过聚类平衡常见与稀有样本并引入重复截断缓解过拟合,实验证明其优于随机采样等基线方法。
2024-06-03 cs.AI cs.CL
Untie the Knots: An Efficient Data Augmentation Strategy for Long-Context Pre-Training in Language Models
School of Computer Science and Technology, East China Normal University(华东师范大学计算机科学与技术学院);Decilion;Xiaohongshu Inc(小红书科技有限公司)
针对长上下文训练数据稀缺、短文本性能下降及注意力效率低的问题,本文提出 UtK 数据增强策略,通过打乱文档块构造交织长文本并训练模型定位相关片段,在 7B/72B 模型上显著提升 RULER 表现。
2024-09-07 cs.AI cs.CL
FOCUS: Forging Originality through Contrastive Use in Self-Plagiarism for Language Models
University of Macau(澳门大学);Guangdong Hengqin DataStory Information Technology Ltd.(广东横琴数故事信息技术有限公司)
提出一种“自我抄袭”对比解码策略FOCUS,通过修改提示构建业余和专业模型,惩罚非原创token组合,显著减少PLMs生成文本中的非原创序列。
2024-06-02 cs.AI cs.CL
TorchCraft: a Library for Machine Learning Research on Real-Time Strategy Games
我们介绍了TorchCraft,一个支持对实时的【形】战略(RTS)游戏进行深度学习研究的库,例如星际争霸:母巢之战,通过从机器学习框架(这里是Torch)更容易控制这些游戏。本白皮书主张使用RTS游戏作为AI研究的基准,并描述了TorchCraft的设计和组件。
2016-11-03 cs.AI cs.LG
The Open-Strategy Dictator Game: Cooperation Under Mutual Transparency
该研究提出开放策略独裁者博弈,借助大语言模型裁决互动,通过循环锦标赛分析发现条件合作策略占优,证明在智能体可互查决策程序的环境中条件合作具备进化稳健性。
2026-08-18 cs.AI cs.GT cs.MA
FuxiMT: Sparsifying Large Language Models for Chinese-Centric Multilingual Machine Translation
College of Intelligence and Computing, Tianjin University(智能与计算学院,天津大学);School of Software, Tsinghua University(软件学院,清华大学)
本研究提出以中文为中心的稀疏化多语言翻译模型FuxiMT,采用两阶段训练、MoE结构与课程学习策略,在65种语言任务上显著优于基线,低资源场景及零样本翻译表现突出。
2025-05-20 cs.AI cs.CL
T5-SR: A Unified Seq-to-Seq Decoding Strategy for Semantic Parsing
Peking University(北京大学);University of Chinese Academy of Sciences(中国科学院大学);Meituan(美团)
针对seq2seq语义解析存在的模式预测质量差、语义一致性弱的问题,提出含SSQL中间表示和重排序机制的SR解码策略,T5-SR-3b在Spider数据集上取得SOTA结果。
2023-06-14 cs.AI cs.CL
Enhance Large Language Models as Recommendation Systems with Collaborative Filtering
本研究提出Critic-LLM-RS,通过训练独立的Critic模型实现协同过滤,为非微调LLM推荐系统提供评论以优化推荐,实验验证其有效性。
2025-10-17 cs.AI cs.IR