Super-Prompting: Utilizing Model-Independent Contextual Data to Reduce Data Annotation Required in Visual Commonsense Tasks
University of Alberta(阿尔伯塔大学)
预先训练的语言模型在使用上下文学习的少样本学习场景中表现出出色的结果。虽然这令人印象深刻,但语言模型的大小可能会限制它们在设备上的应用程序中的可用性,例如传感器或智能手机。对于较小的语言模型,需要特定于任务的数据注释来为特定目的微调语言模型。然而,数据注释对于小型研究小组,初创公司甚至公司来说都可能带来巨大的财务和时间负担。在本文中,我们分析了不同的基于语义的微调技术,以改善语言和多模态因果Transformer模型的结果。为了评估我们的结果,我们使用了一个集中在视觉常识推理的数据集。我们的研究结果表明,通过简单的基于模型不可知的神经网络的微调,只需使用35%-40%的微调训练数据集就可以达到相当的结果。所提出的方法节省了大量的时间和资金。由于所提出的方法使最小的架构假设,其他研究人员可以使用他们的Transformer模型的结果与最小的调整。我们计划免费发布源代码,以便社区更容易使用并为我们的工作做出贡献。
2022-04-25 cs.AI cs.CL
Enhancing LLM-Based Data Annotation with Error Decomposition
Columbia University(哥伦比亚大学);University of California, Irvine(加州大学尔湾分校);University of Pennsylvania(宾夕法尼亚大学)
通过错误分解增强基于LLM的数据标注,提出诊断评估范式以区分任务固有模糊性与模型不准确,提升标注质量评估的准确性与实用性。
2026-01-17 cs.AI cs.CL
Enhancing Text Classification through LLM-Driven Active Learning and Human Annotation
Ontario Tech University(安大略理工大学)
针对文本分类中标注成本高的问题,提出融合LLM与人工标注的主动学习框架,按模型不确定性动态结合二者输出,在三个公开数据集上实现了降本且保优提效的效果。
2024-06-17 cs.AI cs.CL cs.LG
PromptPack: Scaling LLM Annotation Agents for Online Recommendation
Teads Inc.(缇德思公司)
研究在线推荐平台用LLMs提取广告素材特征时按创意提示成本高的问题,提出可扩展的PromptPack代理,通过上下文内批处理等实现扩展,经实验评估,相比基线,它大幅降低成本、提高吞吐量且保留AUC。
2026-07-24 cs.AI
SyRuP: Enhancing System-Prompt Following via Reward-Guided Prediction in LLM Decoding
Yonsei University(延世大学)
研究如何增强大语言模型对系统提示的遵循,提出SyRuP框架,通过训练交叉注意力奖励头产生令牌级遵循分数,推理时结合多种信号对候选重新排序,实验表明该方法能有效提升系统提示遵循度且开销适度。
2026-09-01 cs.AI cs.CL
Prompt Stability Scoring for Text Annotation with Large Language Models
Department of Sociology, New York University(纽约大学社会学系);Independent Researcher(独立研究者);Institute for Logic, Language, and Computation, University of Amsterdam(阿姆斯特丹大学逻辑、语言与计算研究所)
本文提出一种通用框架,通过传统方法改进内在和跨编码器可靠性评分,提出提示稳定性评分(PSS)及Python包promptstability,用于诊断低稳定性提示并展示功能。
2026-05-15 cs.CL
SoftGene: Protein Language Model-Enhanced Soft Prompting for Interpretable Gene Set Annotation
University of Kansas(堪萨斯大学);University of Kansas Medical Center(堪萨斯大学医学中心)
SoftGene提出一种基于蛋白质语言模型ESM的层次注意力编码器,结合软提示与硬提示的混合方案,用于可解释的基因集注释,并在GO和MSigDB基准上验证了其有效性。
2026-10-05 cs.AI
Evaluation is all you need. Prompting Generative Large Language Models for Annotation Tasks in the Social Sciences. A Primer using Open Models
Goethe University(歌德大学);University Leipzig(莱比锡大学)
本文探讨在社会科学标注任务中使用开源生成式LLMs,通过推文情感分析和作文休闲活动识别示例,评估多种模型与提示策略,指出需仔细验证并定制提示工程,开源模型在隐私和可重复性上具优势。
2023-12-30 cs.CL
Prompt Design Matters for Computational Social Science Tasks but in Unpredictable Ways
University of Michigan School of Information(密歇根大学信息学院)
本研究通过大规模多提示词实验发现,LLM在计算社会科学任务中的合规性与准确性高度依赖提示词设计,且最佳设置因任务而异,为从业者提供了实用指南与警示。
2024-06-17 cs.AI cs.CY
SuperPos-Prompt: Enhancing Soft Prompt Tuning of Language Models with Superposition of Multi Token Embeddings
Sharif University of Technology(谢里夫理工大学);Qatar Computing Research Institute(卡塔尔计算研究所);Helmholtz Center for Infection Research(亥姆霍兹感染研究中心)
本文提出 SuperPos-Prompt 技术,通过叠加多个预训练词汇嵌入改进软提示学习,在 GLUE/SuperGLUE 上优于残差提示微调并加速收敛,同时发现冻结网络中省略 dropout 可进一步提升性能。
2024-06-07 cs.AI cs.CL
Rethinking Prompting Strategies for Multi-Label Recognition with Partial Annotations
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对带部分标注的多标签识别,研究发现VLM提示学习中负向提示会降低性能,仅学正向提示结合学习型负向嵌入的PositiveCoOp优于双提示方法,且低缺失标签比例下纯视觉基线性能可比双提示法,计算和参数成本更低。
2024-09-12 cs.AI cs.CL cs.CV
Intent Matters: Enhancing AI Tutoring with Fine-Grained Pedagogical Intent Annotation
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文针对LLM辅导回复与教学策略不一致的问题,基于MathDial构建11类细粒度教学意图标注并微调模型,证明其优于原有四分类方案。
2025-06-09 cs.CL
Enhancing Sentiment Classification and Irony Detection in Large Language Models through Advanced Prompt Engineering Techniques
IU International University of Applied Sciences(国际应用科学大学)
本文通过高级提示工程技术提升大型语言模型在情感分类和讽刺检测中的性能,发现不同提示策略对不同模型和任务效果显著。
2026-01-13 cs.AI cs.CL
Enhancing Zero-shot Chain of Thought Prompting via Uncertainty-Guided Strategy Selection
Microsoft Corporation(微软公司)
针对零样本 CoT 提示中人工示例成本高、触发短语不可靠的问题,提出 ZEUS,利用不确定性估计选择有效示例,并在四个推理基准上持续优于现有策略。
2024-12-06 cs.AI cs.CL
Personas with Attitudes: Controlling LLMs for Diverse Data Annotation
GESIS - Leibniz Institute for the Social Sciences(GESIS-莱布尼茨社会科学研究所);The University of Queensland(昆士兰大学)
本文提出通过向LLM提示注入多样化persona描述来个性化大型语言模型,以增强数据标注的多样性与控制力,实验证明该方法能产生更多样、可控且可重复的标注,适用于毒性检测等主观NLP任务。
2024-10-15 cs.CL cs.HC
Sub-SA: Strengthen In-context Learning via Submodular Selective Annotation
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院);School of Automation, Southeast University(东南大学自动化学院);State Key Laboratory of ASIC and System, Fudan University(复旦大学专用集成电路与系统国家重点实验室)
针对大语言模型上下文学习中提示选择标注成本高的问题,提出基于子模的Sub-SA选择性标注方法,结合RPR奖惩正则化平衡数据多样性与代表性,通过贪心搜索高效选样,降低成本并提升上下文示例质量。
2024-09-13 cs.AI cs.CL cs.LG
Enhancing Granular Sentiment Classification with Chain-of-Thought Prompting in Large Language Models
John F Kennedy High school Fremont, USA(约翰·F·肯尼迪高中弗里蒙特分校);Queensland Academy for Science Mathematics and Technology(昆士兰科学数学与技术学院);Research Spark Hub Inc(Research Spark Hub公司)
本文研究利用大语言模型的思维链提示提升应用商店评论的细粒度情感分类,在2000条亚马逊评论上准确率从84%提升至93%,验证了显式推理的有效性。
2025-05-07 cs.CL cs.LG
Beyond Prompt Content: Enhancing LLM Performance via Content-Format Integrated Prompt Optimization
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
针对现有提示词优化多侧重内容、忽略格式的问题,提出内容-格式一体化提示词优化方法CFPO,通过迭代联合优化内容与格式,在多任务和开源LLM上性能优于仅内容优化方法,且具模型无关性。
2025-05-21 cs.CL
UMB@PerAnsSumm 2025: Enhancing Perspective-Aware Summarization with Prompt Optimization and Supervised Fine-Tuning
Department of Computer Science, University of Massachusetts Boston(计算机科学系,马萨诸塞大学波士顿分校)
UMB@PerAnsSumm 2025通过提示优化和监督微调提升视角感知摘要质量,结合关键词和引导信息优化摘要生成过程。
2025-03-14 cs.AI cs.CL
Robust LLM-based Column Type Annotation via Prompt Augmentation with LoRA Tuning
University of British Columbia(不列颠哥伦比亚大学)
本文提出基于提示增强与LoRA微调的鲁棒列类型标注方法,通过减少可训练参数提升模型稳定性与性能。
2025-12-28 cs.AI cs.DB
Quantifying the Persona Effect in LLM Simulations
University of Cambridge(剑桥大学)
本文量化人格变量对 LLM 模拟人类主观标注的影响,发现其解释方差不足10%,但人格提示可带来统计显著改进,并与人格—标注相关性呈线性关系。
2024-06-17 cs.CL cs.CY
Magic Words or Methodical Work? Challenging Conventional Wisdom in LLM-Based Political Text Annotation
University College Dublin(都柏林大学);University of Groningen(格罗宁根大学)
本文通过控制实验检验了政治科学文本标注中模型选择、大小、学习方法和提示风格的交互影响,发现方法论主导因素影响显著,传统最佳实践在受控比较中并不稳固。
2026-03-31 cs.AI cs.CL cs.LG
Enhancing LLM-Based Text Classification in Political Science: Automatic Prompt Optimization and Dynamic Exemplar Selection for Few-Shot Learning
University of California, Davis(加利福尼亚大学戴维斯分校)
提出包含自动提示优化、动态示例选择和共识机制的三阶段框架,有效提升了政治科学中基于LLM的文本分类准确率、可靠性与可解释性,且无需重训模型。
2025-04-06 cs.AI cs.CL
On The Role of Prompt Construction In Enhancing Efficacy and Efficiency of LLM-Based Tabular Data Generation
Texas State University(德克萨斯州立大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文研究提示构建对基于LLM的表格数据生成的影响,提出专家引导、LLM引导和新颖映射三种协议,并通过GReaT框架验证上下文丰富的提示能显著提升生成质量与训练效率。
2025-03-10 cs.CL
Intent-based Prompt Calibration: Enhancing prompt optimization with synthetic boundary cases
提出一种基于意图的提示校准方法,通过迭代生成合成边界案例并优化提示,在有限标注样本下超越现有方法,适用于审核和生成等真实任务。
2024-02-05 cs.AI cs.CL cs.LG
Enhancing Source Code Classification Effectiveness via Prompt Learning Incorporating Knowledge Features
Beijing Institute of Technology(北京理工大学);Qi-Anxin Technology Group(奇安信科技集团);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出CodeClassPrompt,利用提示学习与注意力机制从预训练模型中提取并融合多层知识特征,在降低计算开销的同时提升源代码分类效果。
2024-08-19 cs.AI cs.CL
iPOE: Interpretable Prompt Optimization via Explanations
Fundamentals of Natural Language Processing, University of Bamberg, Germany(自然语言处理基础,巴姆堡大学,德国);Leibniz-Institut für Psychologie (ZPID), Trier, Germany(莱比锡心理学研究所(ZPID),特里尔,德国)
提出iPOE方法,通过自动从解释中生成指南并优化,实现可解释的提示优化,在四个数据集上性能提升高达39%,且人类与LLM对指南贡献的判断一致性达Cohen's kappa 0.65。
2026-09-09 cs.CL
Prompt Candidates, then Distill: A Teacher-Student Framework for LLM-driven Data Annotation
Zhejiang University(浙江大学);University of Wisconsin Madison(威斯康星大学麦迪逊分校);William & Mary(威廉与玛丽学院);NetEase Fuxi AI Lab(网易伏羲人工智能实验室)
本文提出CanDist师生框架,让LLM在不确定时输出候选标签,再由小语言模型蒸馏出唯一标签,从而提升LLM驱动数据标注的质量,并在六个文本分类任务上验证了有效性。
2025-06-04 cs.CL cs.LG
Talk Less, Call Right: Enhancing Role-Play LLM Agents with Automatic Prompt Optimization and Role Prompting
SCBX R&D(SCBX研发部);SCB 10X R&D(SCB 10X研发部)
针对角色扮演对话代理中过度发言和工具调用失效的问题,本文提出基于规则的角色提示(RRP)方法,通过角色卡/场景契约设计和严格函数调用约束,显著提升了代理性能与可靠性。
2025-10-12 cs.AI cs.CL cs.HC
UPAR: A Kantian-Inspired Prompting Framework for Enhancing Large Language Model Capabilities
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出受康德先验哲学启发的 UPAR 四阶段提示框架,通过理解、规划、行动和反思增强 LLM 推理,并在 GSM8K、因果判断及 SCIBENCH 上验证其性能提升。
2023-12-07 cs.AI cs.CL
CoTEVer: Chain of Thought Prompting Annotation Toolkit for Explanation Verification
KAIST AI(韩国科学技术院人工智能学院);Yonsei University(延世大学)
思想链(CoT)提示使大语言模型(LLM)能够通过在最终预测之前生成解释来解决复杂的推理任务。尽管CoT提示的能力很有前途,但它的一个关键缺点是其性能受到所生成解释的真实性的极大影响。为了提高解释的正确性,需要用解释数据微调语言模型。然而,只有少数数据集可用于这种方法,而且没有建立这种方法的数据汇集工具。因此,我们引入CoTEVer,一个工具包,用于注释生成的解释的事实正确性和收集错误解释的修订数据。此外,我们提出了几个用例,其中使用CoTEVer收集的数据可以用于提高解释的可信度。我们的工具包可在https://github.com/SeungoneKim/CoTEVer上公开获取。
2023-03-07 cs.CL cs.LG
Prompt-Based Clarity Evaluation and Topic Detection in Political Question Answering
Research Spark Hub Inc.;Emerald High School
本文研究了基于提示的清晰度评估与政治问答主题检测,发现思维链提示显著提升清晰度和主题识别准确性,但细粒度逃避检测仍具挑战性。
2026-01-13 cs.AI cs.CL
CALICO: A Human-Centered, Codebook-Aligned System for Annotation
UC San Diego(加州大学圣地亚哥分校);University of Southern California(南加州大学)
CALICO提出以人为中心、与编码手册对齐的标注工作流,将提示作为可编辑优化工件,集成多种优化器,在AI伴侣对话标注中平均性能提升13.0和7.4个绝对点。
2026-09-15 cs.CL cs.HC
PromptEcho: Annotation-Free Reward from Vision-Language Models for Text-to-Image Reinforcement Learning
Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
PromptEcho通过冻结的视觉语言模型计算token级交叉熵损失,无需标注或训练奖励模型,提升文本到图像模型的提示跟随能力,实验显示在多个基准上取得显著提升。
2026-04-22 cs.AI cs.CV
Enhancing Chain-of-Thoughts Prompting with Iterative Bootstrapping in Large Language Models
Xiamen University(厦门大学);Microsoft Research Asia(微软亚洲研究院);Microsoft(微软公司);IDEA Research(IDEA研究院)
本文提出Iter-CoT,一种迭代自举的思维链提示方法,通过自主纠错和选择中等难度示例,提升大语言模型在不同难度推理任务上的泛化性能,在十个数据集上取得竞争性结果。
2024-03-15 cs.AI cs.CL
TAPR: Enhancing LLM Performance with a Task-Aware Prompt Rewriter
University of Amsterdam(阿姆斯特丹大学);Elsevier(爱思唯尔)
本研究提出TAPR模型,采用带GRPO的强化学习训练,可将用户提示优化为任务适配的提示,经微调Phi-4-mini-instruct后,在多任务基准测试中提升了大语言模型的准确率。
2026-08-03 cs.AI
Demographic Prompting at Scale: When More Attributes Hurt LLM--Human Agreement
研究人口统计学属性作提示线索对LLM预测与人类注释一致性的影响,通过五个开源LLM在五个任务中实验,发现一致性与属性数量有关,受属性可学习性等因素影响,表明人口统计学提示效用依赖上下文。
2026-07-14 cs.CL
TopicTag: Automatic Annotation of NMF Topic Models Using Chain of Thought and Prompt Tuning with LLMs
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Advanced Research in Cyber Systems(网络系统高级研究中心);Theoretical Division(理论部)
本文提出TopicTag方法,利用NMFk输出和提示工程驱动LLMs,自动为NMF聚类文档生成主题标签,在3.4万篇摘要上验证了其有效性。
2024-07-29 cs.AI cs.CL cs.LG
Teaching-Inspired Integrated Prompting Framework: A Novel Approach for Enhancing Reasoning in Large Language Models
The University of Hong Kong(香港大学);Youdao, NetEase, Inc.(网易有道公司)
提出教学启发的集成提示框架,通过模拟教师指导过程为LLMs提供概念、定理和相似问题,并在四个数学基准上取得新的最优性能。
2024-10-10 cs.AI cs.CL
Transfer-Prompting: Enhancing Cross-Task Adaptation in Large Language Models via Dual-Stage Prompts Optimization
School of Artificial intelligence, Jilin University(吉林大学人工智能学院);Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, Jilin University(吉林大学知识驱动人机智能工程研究中心);International Center of Future Science, Jilin University(吉林大学未来科学国际中心)
提出两阶段 Transfer-Prompting 框架,通过源提示构建、目标提示微调及评分反馈循环,提升 LLM 在多任务场景下的提示泛化与跨任务适应性能。
2025-02-20 cs.CL
POEM: Interactive Prompt Optimization for Enhancing Multimodal Reasoning of Large Language Models
本文提出可视化分析系统POEM,通过探索多模态交互模式并推荐示例与原则,帮助用户迭代优化提示,从而增强大语言模型的多模态推理能力。
2024-09-30 cs.AI cs.HC
Prompt Engineering and the Effectiveness of Large Language Models in Enhancing Human Productivity
Department of Computer Science(计算机科学系)
本文通过243名受访者调查,研究提示结构与清晰度对LLM输出有效性的影响,发现清晰、结构化且上下文感知的提示能显著提升任务效率,凸显提示工程在最大化生成式AI价值中的关键作用。
2025-08-27 cs.AI cs.HC
Enhancing Function-Calling Capabilities in LLMs: Strategies for Prompt Formats, Data Integration, and Multilingual Translation
MediaTek Research(联发科研究院)
本研究通过探索提示格式、数据集成、决策标记、思维链推理及翻译流水线等策略,增强LLMs的函数调用能力,发现指令遵循数据可提升准确率与相关性检测,决策标记及翻译流水线也能带来显著改进。
2024-12-04 cs.CL
Enhancing AI-Driven Psychological Consultation: Layered Prompts with Large Language Models
University of Brasilia(巴西利亚大学)
针对心理咨询专业人员短缺和可扩展性差的问题,提出基于GPT-4的分层提示系统,结合共情驱动和场景提示增强情感智能,实验证明其显著提升了AI心理咨询的响应质量。
2024-08-29 cs.CL
IDEAL: Influence-Driven Selective Annotations Empower In-Context Learners in Large Language Models
Pennsylvania State University(宾夕法尼亚州立大学);The University of Sydney(悉尼大学);Tsinghua University(清华大学);Xidian University(西安电子科技大学)
本文提出IDEAL,一种影响驱动的选择性标注方法,通过构建有向图并利用贪心算法从大规模未标注数据池中选择关键子集进行标注,以端到端方式优化上下文示例质量并降低标注成本,在多个基准上以更低时间消耗实现更优性能。
2025-07-13 cs.CL
Enhancing Adversarial Resistance in LLMs with Recursion
针对 LLM 易受越狱与对抗性提示操纵的问题,提出基于提示简化的递归框架,以提升恶意输入检测与防御的可靠性。
2024-12-09 cs.AI cs.CR
Enhancing Jailbreak Attacks on LLMs via Persona Prompts
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Tencent(腾讯)
本文通过遗传算法生成人格提示,有效降低大语言模型拒绝率,提升劫持攻击成功率,揭示人格提示对模型安全机制的影响。
2026-03-25 cs.AI cs.CR
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
Expressive TTS Driven by Natural Language Prompts Using Few Human Annotations
Shanghai Jiao Tong University(上海交通大学)
提出FreeStyleTTS,利用大语言模型将表现力语音合成为风格检索任务,以极少人工标注实现灵活精确的风格控制。
2023-11-02 cs.AI cs.HC cs.SD
TV-SAM: Increasing Zero-Shot Segmentation Performance on Multimodal Medical Images Using GPT-4 Generated Descriptive Prompts Without Human Annotation
Sichuan University(四川大学);Case Western Reserve University(凯斯西储大学);Beijing University of Posts and Telecommunications(北京邮电大学);Urgench State University(乌尔根奇国立大学);Gansu Agricultural University(甘肃农业大学)
本研究提出无需人工标注的零样本分割算法TV-SAM,通过集成GPT-4、GLIP和SAM自主生成文本与视觉提示,在7个数据集8种模态上表现优异,突显基础模型在专业领域的应用价值。
2024-10-14 cs.AI cs.CV
Enhancing Chain of Thought Prompting in Large Language Models via Reasoning Patterns
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Wuhan AI Research(武汉人工智能研究院)
本文提出利用推理模式选择多样化示例以增强思维链提示,减轻噪声影响并提供可解释性,实验证明该方法在多种推理任务上更稳健且持续改进。
2025-03-13 cs.CL
Which Demographics do LLMs Default to During Annotation?
Fundamentals of Natural Language Processing, University of Bamberg, Germany(自然语言处理基础,巴姆贝格大学,德国)
本研究探讨LLM在无人口统计提示时默认模仿的标注者属性,通过对比不同提示词在POPQUORN数据集上的礼貌与冒犯性标注,发现性别、种族和年龄有显著影响。
2026-09-17 cs.CL
Enhancing Finite State Machine Design Automation with Large Language Models and Prompt Engineering Techniques
National Yang Ming Chiao Tung University(阳明交通大学)
本文研究了Claude 3 Opus、ChatGPT-4和ChatGPT-4o在有限状态机设计中的性能,利用HDLBits评估其稳定性,并探讨了提示优化方法TOP Patch对成功率的影响,发现该方法有望扩展至HDL设计自动化以外的领域。
2025-03-26 cs.AR cs.CL
Enhancing Dialogue Annotation with Speaker Characteristics Leveraging a Frozen LLM
Electrical and Computer Engineering Department, Johns Hopkins University, Baltimore, MD, USA(约翰霍普金斯大学电气与计算机工程系);Human Language Technology Center of Excellence, Johns Hopkins University, Baltimore, MD, USA(约翰霍普金斯大学人机语言技术卓越中心)
本研究提出利用冻结的音频基础模型与LLAMA语言模型,通过轻量级连接器推断对话中的说话人特征(年龄、性别、情感),无需微调,并在说话人画像任务上取得有竞争力性能,且LLAMA可直接比较x-vectors,等错误率达8.8%。
2025-09-08 cs.AI cs.CL cs.SD