Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain
National Yang Ming Chiao Tung University
本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。
2026-04-29 cs.AI cs.CL cs.HC
MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Meta AI
对大语言模型的简化使得文本多步推理最近取得了重大进展。然而，当应用于从半结构化数据（例如，图或表），但是这些方法通常遭受低语义覆盖、幻觉和逻辑不一致。我们提出了MURMUR，一个神经符号模块化的方法，从半结构化的数据与多步推理的文本生成。MURMUR是一种最佳优先搜索方法，它使用以下方法生成推理路径：（1）具有特定语言和逻辑技能的神经和符号模块，（2）其产生式规则定义模块有效组合的语法，以及（3）评估每个推理步骤质量的价值函数。我们进行实验的两个不同的数据到文本生成任务，如WebNLG和LogicNLG。这些任务在数据表示（图形和表格）方面有所不同，并涵盖多种语言和逻辑技能。MURMUR在最近的Few-Shot基线（如直接提示和思想链提示）上获得了显着改进，同时还在域外数据上实现了与微调的GPT-2相当的性能。此外，人工评估表明，MURMUR生成高度忠实和正确的推理路径，与直接提示相比，在LogicNLG上的逻辑一致性摘要增加了26%。
2022-12-16 cs.AI cs.CL cs.LG
Risk-aware Selective Prompting for Hallucination Mitigation in Large Vision-Language Models
Shanghai Jiao Tong University（上海交通大学）；iFLYTEK；Tsinghua University（清华大学）
本文系统研究提示验证在大型视觉-语言模型中的风险，发现其效果依赖输入难度，并提出基于预生成不确定性信号的选择性提示方法RSP以平衡性能。
2026-05-27 cs.CL
Detecting Conversational Mental Manipulation with Intent-Aware Prompting
The University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Harvard University（哈佛大学）；University of New South Wales（新南威尔士大学）
该研究针对对话中心理操纵检测的复杂性，提出意图感知提示（IAP）方法，在MentalManip数据集上验证其可减少假阴性、提升检测效果，相关代码已公开。
2026-09-04 cs.CL
RapGuard: Safeguarding Multimodal Large Language Models via Rationale-aware Defensive Prompting
The Chinese University of Hong Kong（香港中文大学）；Alibaba Group（阿里巴巴集团）
本文提出RapGuard框架，利用多模态思维链推理动态生成场景化安全提示，以解决现有多模态大语言模型防御提示静态统一、无法应对具体风险的问题，在多个基准上实现最先进的安全性能且不损害良性任务表现。
2024-12-25 cs.CL
Robust Persona-Aware Toxicity Detection with Prompt Optimization and Learned Ensembling
Pennsylvania State University（宾夕法尼亚州立大学）；Resolution
本研究提出了一种基于提示优化和学习集成的鲁棒人格感知毒性检测方法，通过系统评估和元集成技术提升不同人格下的毒性检测性能。
2026-01-05 cs.CL
Terminology-Aware Translation with Constrained Decoding and Large Language Model Prompting
University of Edinburgh（爱丁堡大学）
针对机器翻译的术语正确性问题，提出结合伪术语标注训练术语感知模型、搭配约束解码重译或LLM提示优化的先翻译后优化方案，在WMT2023术语任务中有效提升术语召回率。
2023-10-09 cs.CL
Frustratingly Simple Prompting-based Text Denoising
The University of British Columbia（不列颠哥伦比亚大学）；Trent University（特伦特大学）
本文提出用基于提示的简单文本去噪方法处理ASAP数据集，证明对数据集做微小改动即可提升自动作文评分结果。
2024-02-24 cs.CL
Exploring Chain-of-Thought Style Prompting for Text-to-SQL
The Ohio State University（俄亥俄州立大学）
本文系统研究思维链式提示对文本到SQL解析的作用，发现迭代提示和过细推理步骤可能带来错误传播，并提出一种新的CoT式提示方法，在Spider开发集和Spider Realistic集上分别取得5.2和6.5个百分点的绝对提升。
2023-10-27 cs.CL
MetricPrompt: Prompting Model as a Relevance Metric for Few-shot Text Classification
Harbin Institute of Technology（哈尔滨工业大学）
针对少样本文本分类中提示模型依赖言语化器设计的问题，提出将任务重构为文本对相关性估计的MetricPrompt方法，用提示模型作相关性度量，在多数据集少样本设置下达SOTA性能。
2023-06-15 cs.CL
Prompting Complexity: Shortest Prompts for Texts and Behaviors in LLMs
Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒·莫利人工智能研究所）
研究提示复杂性，定义其为固定语言模型产生目标文本的最短合理提示量，类似资源受限柯尔莫哥洛夫复杂性。介绍计算方法、扩展定义到软提示复杂性，定义提示距离等，据此制定研究议程以探究短提示可实现的文本和行为。
2026-07-08 cs.CL
TAG-EQA: Text-And-Graph for Event Question Answering via Structured Prompting Strategies
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
针对大语言模型事件推理能力不足的问题，提出融合因果事件图的TAG-EQA提示框架，通过多策略多模态配置验证，无需微调即可提升事件问答准确率。
2025-10-01 cs.CL
LLMs for Low-Resource Dialect Translation Using Context-Aware Prompting: A Case Study on Sylheti
University of Vermont（佛蒙特大学）；Santa Fe Institute（圣塔菲研究所）
本研究提出斯利赫蒂-CAP框架，通过上下文感知提示提升低资源方言翻译质量，验证了其在方言特定词汇处理上的有效性。
2025-11-24 cs.CL cs.CY
Refining Translations with LLMs: A Constraint-Aware Iterative Prompting Approach
Zhengzhou University of Light Industry（郑州轻工业大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
提出一种约束感知的迭代提示方法，通过多步提示链结合RAG检索关键术语翻译，并利用自检机制优化，显著提升了LLMs在低资源场景下的翻译忠实度。
2024-11-13 cs.CL
CLIP also Understands Text: Prompting CLIP for Phrase Understanding
UC San Diego（加州大学圣地亚哥分校）；UC Santa Barbara（加州大学圣巴巴拉分校）
对比图像预训练（CLIP）通过自然语言监督的预训练有效地学习视觉概念。CLIP及其视觉编码器已经在各种视觉和语言任务上进行了探索，并实现了强大的zero-shot或迁移学习性能。然而，它的文本编码器的应用，仅用于文本理解已经较少探索。在本文中，我们发现，CLIP的文本编码器实际上表现出强大的短语理解能力，甚至可以显着优于流行的语言模型，如BERT与适当设计的提示。大量的实验验证了我们的方法在不同数据集和领域的实体聚类和实体集扩展任务的有效性。
2022-10-11 cs.CL
Push the Limit of Multi-modal Emotion Recognition by Prompting LLMs with Receptive-Field-Aware Attention Weighting
Shanghai Jiao Tong University, Shanghai, China（上海交通大学）；Xi'an Jiaotong-Liverpool University, Suzhou, China（西安交通大学-利物浦大学）
针对大语言模型难以低成本处理多模态情感识别的问题，提出Lantern框架，通过感受野感知注意力加权提示大语言模型融合多任务基础模型预测，在IEMOCAP数据集上显著提升性能。
2025-10-02 cs.CL
Commonsense-Aware Prompting for Controllable Empathetic Dialogue Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提高预训练的语言模型的情感意识是对话生成任务的一个新兴的重要问题。虽然先前的研究已经介绍了提高移情对话生成的方法，但很少有人讨论如何将常识知识结合到预先训练的语言模型中以用于可控对话生成。在这项研究中，我们提出了一个新的框架，提高移情对话生成使用预先训练的语言模型1）通过即时言语化结合常识知识，和2）控制对话生成使用策略驱动的未来会话。我们进行了实验，揭示了社会常识知识的纳入和执法控制的生成有助于提高生成性能。最后，我们讨论了我们的研究对未来研究的影响。
2023-02-02 cs.CL cs.LG
Decomposed Prompting: Probing Multilingual Linguistic Structure Knowledge in Large Language Models
Center for Information and Language Processing (CIS)（信息与语言处理中心）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；ScaDS.AI and TU Dresden（ScaDS.AI 和 梅克伦堡-前波美拉尼亚技术大学）；Department of Statistics, LMU Munich（统计学系，慕尼黑大学）；University of Maryland, College Park（马里兰大学 College Park 分校）
本文提出分解提示方法，将序列标注任务拆分为逐词元提示，在38种语言的词性标注上验证其优于迭代提示基线，并揭示多语言提示下的语言知识迁移规律。
2025-11-06 cs.CL
Example-Guided Prompting for Document-Level Text Simplification
SCE（SCE（以色列SCE学院））；ScaDS.AI, TUD Dresden（ScaDS.AI，德累斯顿工业大学）
该研究针对文档级文本简化中提示指导不足的问题，提出示例引导提示方法，经OneStopEnglish语料库实验，可提升大语言模型的简化质量，性能优于或媲美相关基准系统。
2026-08-07 cs.CL
MaLei at MultiClinSUM: Summarisation of Clinical Documents using Perspective-Aware Iterative Self-Prompting with LLMs
University of Manchester, UK（曼彻斯特大学）；Modul University Vienna, Austria（维也纳Modul大学）；Leiden Institute of Advanced Computer Science (LIACS), Leiden University, The Netherlands（莱顿先进计算机科学研究所（LIACS）、莱顿大学）；Leiden University Medical Center, The Netherlands（莱顿大学医学中心）
本文提出视角感知迭代自提示方法，利用GPT-4和GPT-4o总结临床报告，在3,396份病例上取得高BERT分数，改善医患沟通。
2025-09-09 cs.CL
Performance-Efficiency Trade-Offs in Adapting Language Models to Text Classification Tasks
Amazon（亚马逊）
预训练的语言模型（LM）在适应文本分类任务时获得最先进的性能。然而，当在现实世界的应用程序中使用这样的模型时，效率的考虑是至关重要的。在本文中，我们研究如何不同的训练程序，适应LM文本分类执行，因为我们不同的模型和训练集的大小。更具体地说，我们比较了标准微调，提示，和知识蒸馏（KD）时，教师接受培训的微调或提示。我们的研究结果表明，即使微调和提示工作以及训练大型LM上的大型训练集，有更有效的替代方案，可以降低计算或数据成本。有趣的是，我们发现提示与KD相结合可以同时降低计算和数据成本。
2022-10-21 cs.CL
Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models
University of Virginia（弗吉尼亚大学）
针对LLMs在知识密集型MCQA任务中因KG集成产生噪声提示及部分选项缺乏相关KG知识的问题，提出问题感知知识图谱提示（QAP），通过将问题嵌入融入GNN聚合动态评估KG相关性，并利用全局注意力捕获选项间关系以丰富软提示，在多个数据集上优于现有方法。
2025-03-30 cs.CL cs.LG
DR.GAP: Mitigating Bias in Large Language Models using Gender-Aware Prompting with Decoupled Reasoning
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院）
该研究针对大语言模型的性别偏见问题，提出DR.GAP方法，通过生成无性别推理轨迹作为上下文示例，在不修改模型参数的情况下缓解偏见，且可扩展至视觉语言模型，经多任务多模型实验验证有效。
2026-08-18 cs.AI cs.CL
Short Answer Grading Using One-shot Prompting and Text Similarity Scoring Model
EduLab, Inc.（EduLab公司）
本文针对简答题自动评分中分析性分数标注困难的问题，提出结合LLM一次性提示与领域自适应文本相似度评分模型的方法，在公开ASAG数据集上取得0.67准确率和0.71二次加权kappa，显著优于多数类基线。
2023-05-29 cs.CL
Multimodal Procedural Planning via Dual Text-Image Prompting
University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
该研究提出多模态程序规划任务，设计双模态提示方法TIP结合大语言模型与扩散模型能力，构建两个测试基准，验证了方法在规划信息性、时序一致性和准确性上的优势。
2023-05-02 cs.CL
The Unreliability of Explanations in Few-shot Prompting for Textual Reasoning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提示一个大语言模型（LLM），如GPT-3与解释改善上下文学习？我们研究这个问题的两个NLP任务，涉及推理的文本，即问答和自然语言推理。我们测试了四个LLM在三个文本推理数据集上的性能，使用的提示包括多种不同风格的解释。对于这些任务，我们发现，在OPT，GPT-3（davinci）和InstructGPT（text-davinci-001）的提示中包含解释，与标准的few show学习相比，只能产生小到中等的准确性提高。然而，text-davinci-002能够更大程度地受益。我们进一步表明，由LLM生成的解释可能不需要模型的预测，也不是事实上基于输入，即使是在简单的任务与提取的解释。然而，这些有缺陷的解释仍然可以作为事后验证LLM预测的一种方法。通过在我们的三个设置中的分析，我们表明，人类判断的解释是好的-逻辑上与输入和预测一致-更有可能与准确的预测共存。根据这些观察结果，我们使用自动提取的分数来训练校准器，这些分数评估解释的可靠性，使我们能够在所有数据集上提高性能。
2022-10-13 cs.CL
Mitigating Hallucinations in Multimodal Spatial Relations through Constraint-Aware Prompting
University of Rochester（罗切斯特大学）
针对大型视觉语言模型存在的空间关系幻觉问题，提出融入双向与传递性约束的约束感知提示框架，在三个常用数据集上性能优于现有方法，为约束缓解空间幻觉提供了更多可能。
2025-03-21 cs.AI cs.CL cs.CV
Conflict-Aware Soft Prompting for Retrieval-Augmented Generation
Sungkyunkwan University（成均馆大学）
针对RAG中上下文与模型记忆冲突的问题，提出CARE框架，通过上下文评估器与软提示引导推理，在QA和事实验证基准上平均提升5.0%。
2025-09-26 cs.AI cs.CL
Text Is Not All You Need: Multimodal Prompting Helps LLMs Understand Humor
Northwestern University（西北大学）
针对大语言模型难以理解幽默的问题，研究提出结合文本与TTS生成的口语形式的多模态提示方法，在所有测试数据集上均提升了幽默解释效果。
2024-12-01 cs.CL cs.CY
Cost-Aware Model Selection for Text Classification: Multi-Objective Trade-offs Between Fine-Tuned Encoders and LLM Prompting in Production
Pontifical Catholic University of Chile（天主教智利大学）
本文提出在生产环境中细调编码器与LLM提示之间的多目标权衡，发现微调编码器在成本和性能上优于LLM提示。
2026-02-06 cs.CL
Learning Interpretable Style Embeddings via Prompting LLMs
University of Pennsylvania（宾夕法尼亚大学）；Columbia University（哥伦比亚大学）
本研究通过提示大语言模型生成合成文体测量数据集，训练出可解释的LISA风格嵌入，以解决现有风格表示不可解释的问题，并发布相关资源。
2023-10-09 cs.CL
Divide and Prompt: Chain of Thought Prompting for Text-to-SQL
Jiangxi University of Finance and Economics（江西财经大学）
针对 Text-to-SQL 中 LLM 推理能力利用不足的问题，提出 Divide-and-Prompt 范式，通过任务分解与 CoT 提示提升 SQL 生成的执行准确率。
2023-04-23 cs.AI cs.CL
Joint Visual and Text Prompting for Improved Object-Centric Perception with Multimodal Large Language Models
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）；Angelalign Inc.（时代天使公司）
本文提出VTPrompt，通过检测模型生成对象视觉提示并与文本提示联合输入MLLM，在MME、MMB和POPE上显著提升GPT-4V与Gemini Pro的对象中心感知性能。
2024-04-06 cs.CL
Prompting Away Stereotypes? Evaluating Bias in Text-to-Image Models for Occupations
该研究构建职业表征偏见评估基准，测试五种主流文本生成图像模型，发现公平提示词可改变人口统计表征但效果因模型而异，揭示了提示词作为公平干预手段的局限与补充模型策略的必要性。
2025-08-31 cs.CL
SCI-IDEA: Context-Aware Scientific Ideation Using Token and Sentence Embeddings
TIB—Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心）；L3S Research Center, Leibniz University Hannover（汉诺威莱布尼茨大学L3S研究中心）
SCI-IDEA框架利用LLM提示策略和“啊哈时刻”检测，从研究出版物中提取关键要素，迭代优化并评估科学想法，实验证明其在新颖性、兴奋度、可行性和有效性上均取得高分，兼顾伦理考量。
2025-03-25 cs.CL cs.DL
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida（佛罗里达大学）
本文提出TTQA-RS模型，通过分解提示、检索增强生成和表格-文本摘要，结合推理与子问题答案，在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
HTLM: Hyper-Text Pre-Training and Prompting of Language Models
University of Washington（华盛顿大学）；Facebook AI（脸书人工智能研究院）
我们介绍HTLM，一个超文本语言模型训练的大规模网络抓取。超文本建模有很多优点：（1）它很容易大规模地收集，（2）它提供丰富的文档级和端任务相邻的监督（例如类和ID属性通常编码文档类别信息），以及（3）它允许遵循HTML的已建立语义的新的结构化提示（例如，通过填充包含输入文本的网页的标题标签来进行zero-shot摘要）。我们表明，直接在简化的HTML上使用BART风格的去噪损失进行预训练，可以为各种最终任务和监督级别提供高效的传输。HTLM在zero-shot提示和分类基准微调方面的性能可媲美或超过可扩展大小的纯文本LM，同时还为zero-shot摘要设置了新的最先进的性能水平。我们还发现，超文本提示提供更多的价值HTLM，在数据效率方面，比纯文本提示现有的LM，HTLM是非常有效的自动提示本身，通过简单地生成最有可能的超文本格式的任何可用的训练数据。我们将发布所有代码和模型，以支持未来的HTLM研究。
2021-07-14 cs.CL cs.LG
Revisiting Direct Speech-to-Text Translation with Speech LLMs: Better Scaling than CoT Prompting?
Barcelona Supercomputing Center, Spain（巴塞罗那超级计算中心，西班牙）；Universitat Politècnica de Catalunya, Spain（加泰罗尼亚理工大学，西班牙）；DFKI GmbH, Saarland Informatics Campus, Saarbrücken, Germany（德意志联邦计算机研究中心（DFKI） GmbH，萨尔布吕肯，德国）
本文比较了CoT和直接提示在增加S2TT数据量下的表现，发现直接提示在数据增加时表现更优，可能成为更大资源下的更有效方法。
2026-01-23 cs.CL cs.SD
Chain-of-Thought Augmentation with Logit Contrast for Enhanced Reasoning in Language Models
Algoverse AI Research（Algoverse AI研究院）
为提升语言模型推理与组合泛化能力，受思维链提示与上下文感知解码启发，探索基于输入的对比方法以鼓励思维链推理，并证实其改进值得进一步研究。
2024-08-27 cs.CL
Thinking Outside of the Differential Privacy Box: A Case Study in Text Privatization with Language Model Prompting
Technical University of Munich（慕尼黑工业大学）；School of Computation, Information and Technology（计算、信息与技术学院）
本文以DP-Prompt为案例，通过多场景重写实验和效用与隐私评估，批判性审视差分隐私在NLP中的限制，呼吁重新讨论其可用性与相对优势。
2024-10-01 cs.CL
Code Prompting Elicits Conditional Reasoning Abilities in Text+Code LLMs
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；Technion – IIT（以色列理工学院）；IIT Kharagpur（克勒格布尔印度理工学院）
本文提出代码提示方法，将自然语言问题转化为代码以激发文本+代码LLMs的条件推理能力，并在多个模型和数据集上验证了显著性能提升及其作用机制。
2024-09-28 cs.CL
CardiffNLP at CLEARS-2025: Prompting Large Language Models for Plain Language and Easy-to-Read Text Rewriting
Cardiff University（卡迪夫大学）
本文介绍CardiffNLP团队在CLEARS-2025西班牙语文本适配任务中，采用LLM提示方法，使用Gemma-3模型，在子任务1和2中分别获得第三和第二名。
2025-08-05 cs.AI cs.CL
RulePrompt: Weakly Supervised Text Classification with Prompting PLMs and Self-Iterative Logical Rules
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）
本文提出RulePrompt方法，通过逻辑规则挖掘与伪标签自迭代增强，结合提示PLM实现弱监督文本分类，显著优于现有方法且提供可解释的类别规则。
2024-04-25 cs.CL
PIEClass: Weakly-Supervised Text Classification with Prompting and Noise-Robust Iterative Ensemble Training
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出 PIEClass，通过预训练语言模型零样本提示获取伪标签，并采用抗噪迭代集成训练模块相互正则化以优化伪标签和分类器，在七个数据集上超越强基线，性能接近全监督方法。
2023-10-20 cs.CL
Visual Word Sense Disambiguation with CLIP through Dual-Channel Text Prompting and Image Augmentations
2 The Bredesen Center for Interdisciplinary Research；3 Department of Electrical Engineering \& Computer Science, University of Tennessee, Knoxville, TN 37916；4 Oak Ridge National Laboratory (ORNL), Oak Ridge, TN 37830
本文提出通过CLIP和双通道提示与图像增强实现视觉词义消歧，提升MRR和命中率，验证了精确提示的有效性。
2026-02-06 cs.CL
Topology-Aware Reasoning over Incomplete Knowledge Graph with Graph-Based Soft Prompting
Chalmers University of Technology and University of Gothenburg, Sweden（楚姆勒大学技术学院和哥德堡大学，瑞典）；Technical University of Denmark, Kgs. Lyngby, Denmark（丹麦技术大学，基斯勒吕辛，丹麦）
本文提出基于图的软提示框架，通过图神经网络编码子图生成软提示，使LLM在更丰富的结构上下文中推理，减少缺失边的影响，提升多跳KBQA性能。
2026-08-06 cs.AI cs.CL
SimpCue: Cue-Based Prompting for Multilingual Text Simplification
Universitat Pompeu Fabra (UPF)（庞培法布拉大学）
本研究针对加泰罗尼亚语、西班牙语、意大利语的多语言易读性文本简化任务，以Qwen3-8B为模型，对比不同提示方式的效果，发现预测线索提示表现最优但提升有限。
2026-08-31 cs.AI cs.CL
Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification
Amazon（亚马逊）
针对文本分类，提出基于原理的多智能体提示策略PRINCIPLE-BASED PROMPTING，通过多智能体生成、整合原理并指导分类，在不同LLM和数据集上性能优于零样本等基线，且推理成本低，原理效果优于人工制定。
2025-02-11 cs.AI cs.CL
Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods
研究探讨了提示生成的LLM能否生成令人信服的作者伪装并逃避现有作者验证系统，发现LLM生成文本无法有效复制作者独特性，现有系统仍能有效识别伪装文本。
2026-03-31 cs.CL
Dipping PLMs Sauce: Bridging Structure and Text for Effective Knowledge Graph Completion via Conditional Soft Prompting
Nanyang Technological University（南洋理工大学）；Macquarie University（麦考瑞大学）；Agency for Science Technology Research (A*STAR)（新加坡科技研究局）
本文提出CSProm-KG方法，通过条件软提示在知识图谱补全中平衡结构信息与文本知识，在多个静态和时序基准上取得最优结果。
2023-07-04 cs.CL
Unified Deployment-Aware Evaluation of Open Reasoning Language Models
Department of Computer Science, Rensselaer Polytechnic Institute（理海理工学院计算机科学系）；Department of Biomedical Engineering, Rensselaer Polytechnic Institute（理海理工学院生物医学工程系）
本文提出了一种统一的开放推理语言模型评估方法，通过四个基准测试（ARC-Challenge、GSM8K、MATH 1-3级和TruthfulQA MC1）对七种配置进行评估，结合零样本、链式思维（CoT）和少量样本CoT提示策略，分析模型在准确率、延迟、内存使用等多目标下的表现，强调部署感知的多目标优化问题。
2026-09-07 cs.CL
Empowering Sentence Encoders with Prompting and Label Retrieval for Zero-shot Text Classification
NAVER（NAVER公司）；KAIST（韩国科学技术院）
本研究提出 RaLP 框架，通过检索增强标签提示，利用句子编码器在零样本文本分类中取得与更大基线相当或更强的性能。
2023-05-19 cs.CL
Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection
Computer Science Department（计算机科学系）；School of Computer Science（计算机科学学院）；Bina Nusantara University（宾努斯大学）
本文提出一种基于检索的元认知修辞提示方法，通过整合上下文信息提升LLMs在讽刺检测中的性能，实验显示在多个数据集上均取得显著提升。
2025-11-26 cs.AI cs.CL
Composable Prompting Workspaces for Creative Writing: Exploration and Iteration Using Dynamic Widgets
LMU Munich（慕尼黑大学）；University of Bayreuth（拜罗伊特大学）
提出可组合提示画布，用动态小部件支持创意写作的探索与迭代，对比研究显示其优于对话式UI，提升控制感与创造力支持。
2025-03-27 cs.CL cs.HC
