When Meaning Stays the Same, but Models Drift: Evaluating Quality of Service under Token-Level Behavioral Instability in LLMs
Electrical and Computer Engineering, Vanderbilt University(维珍尼亚大学电气与计算机工程系);Radiology and Radiological Sciences, Vanderbilt University(维珍尼亚大学放射学与放射科学系)
该研究针对大语言模型在语义等价但令牌级实现不同的提示下的行为漂移问题,提出PBSS诊断框架,在十项受限任务中发现模型特有的响应偏移规律,揭示了令牌化与解码对训练后服务质量稳定性的影响。
2025-06-11 cs.CL
PromptDistill: Query-based Selective Token Retention in Intermediate Layers for Efficient Large Language Model Inference
Singapore University of Technology and Design(新加坡科技设计大学);Lambda Labs(Lambda实验室)
本文提出免训练方法PromptDistill,利用早期层注意力交互动态选择并保留关键token,显著提升LLM推理效率且对生成质量影响极小,性能优于现有方法。
2025-03-30 cs.CL
Production and Perception in LLMs: A Token Probability Approach
Faculty of Arts, Charles University, Prague(布拉格查理大学文学院);Faculty of Mathematics and Physics, Charles University, Prague(布拉格查理大学数学与物理系)
研究探讨大语言模型中语言生成与感知的区别,通过直接令牌概率测量,利用Llama - 3.1 - 8B等模型实验发现,提示框架能引发生成 - 感知区别,此区别特定于交际框架,在多模型中可复制,感知提示在序列起始影响最强。
2026-07-14 cs.CL
Explainability-Based Token Replacement on LLM-Generated Text
Department of Methodology and Statistics, Utrecht University(方法论与统计学系,乌得勒支大学)
本文提出基于可解释性的token替换方法,通过集成分类器和SHAP/LIME技术,降低AI生成文本的可检测性,同时强调多模型策略在对抗token操纵中的有效性。
2026-01-04 cs.AI cs.CL
PromptExp: Multi-granularity Prompt Explanation of Large Language Models
Huawei(华为);University of Manitoba(曼尼托巴大学);Queen’s University(女王大学)
针对大语言模型黑箱特性导致的可解释性不足、现有解释方法难以适配序列生成任务的问题,提出多粒度提示解释框架PromptExp,含两种token级解释方法,支持白盒黑盒解释与多粒度分析,经实验与用户研究验证其准确性与实用价值。
2024-10-30 cs.CL
PTP: Previous-Token Prediction based LLM Inversion for Near-Exact Prompt Reconstruction
IIT Bombay(印度理工学院孟买分校);Adobe Research(奥多比研究中心)
提出PTP方法,在黑盒场景下从零训练逆语言模型,通过前序令牌预测实现近精确提示重构,泛化性与迁移性良好,性能优于现有LLM反演工作。
2026-08-03 cs.CL cs.LG
Protum: A New Method For Prompt Tuning Based on "[MASK]"
University of Electronic Science and Technology of China(电子科技大学);Shenzhen Institute for Advanced Study, UESTC(电子科技大学深圳高等研究院);University of Electronic Science and Technology of China, Chengdu, China(电子科技大学成都校区)
近年来,提示微调\cite{lester2021power}逐渐成为自然语言处理的一种新范式,它通过冻结预先训练好的语言模型(PLM)的参数,仅依赖于单词的表示,从而在下游任务中获得出色的性能。在预训练过程中保持了MLM(Masked语言模型)\cite{devlin2018bert}任务的一致性,避免了微调过程中可能出现的问题。自然地,我们认为“[MASK]”标记比其他标记携带更多有用的信息,因为模型结合上下文来预测被屏蔽的标记。在现有的提示微调方法中,当预测多个单词时,会存在严重的随机组合问题,需要借助帮助动词化器将单词映射到标签上。针对上述问题,本文提出了一种新的基于“[ \textbf{M} ASK]”的\textbf{Pro} mpt \textbf{Tu} ning(\textbf{Protum})方法,该方法通过“[MASK]”标记的隐藏层所携带的信息构造分类任务,然后直接预测标签而不是答案标记.与此同时,我们探索了“[MASK]”下的不同隐藏层如何影响我们在许多不同数据集上的分类模型。最后,我们发现,我们的\textbf{Protum}可以实现更好的性能比微调后,连续的预训练,更少的时间消耗。我们的模型促进了NLP中大型模型的实际应用。
2022-01-28 cs.CL
Semantic Density Effect (SDE): Maximizing Information Per Token Improves LLM Accuracy
Public Health Department, Riyadh First Health Cluster Ministry of Health, Saudi Arabia(沙特阿拉伯利雅得第一健康集群卫生部)
本文提出语义密度效应,通过提高每个token的语义信息量提升LLM准确性,实验显示高密度提示在多个模型和基准测试中表现更优。
2026-04-19 cs.AI cs.CL
TokenSHAP: Interpreting Large Language Models with Monte Carlo Shapley Value Estimation
Nexar(内克萨公司)
TokenSHAP利用蒙特卡洛Shapley值估计,为LLM输入中的标记提供可解释的重要性度量,提升模型透明度与提示工程。
2024-07-22 cs.CL
Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information
University of Maryland, College Park(马里兰大学学院公园分校);Adobe Research(奥多比研究院)
本文提出一种基于困惑度与上下文信息的Token级对抗提示检测方法,利用LLM预测概率并设计优化与概率图模型两种算法,实现高效检测并通过热图直观可视化。
2024-02-18 cs.CL cs.LG
Query-Aware Learnable Graph Pooling Tokens as Prompt for Large Language Models
Smart Systems Lab, Department of Industrial Engineering(智能系统实验室,工业工程系)
本文提出了一种名为可学习图池化标记(LGPT)的新方法,通过引入可学习参数作为大语言模型中的标记,解决节点级投影的可扩展性和图级投影信息丢失的问题,并通过早查询融合技术提升图嵌入效果,在GraphQA基准测试中实现了4.13%的性能提升。
2026-05-18 cs.CL
Don't Break the Cache: An Evaluation of Prompt Caching for Long-Horizon Agentic Tasks
本文评估了提示缓存对长周期智能体任务的影响,发现通过策略性缓存控制可显著降低API成本并提升响应速度。
2026-01-31 cs.CL
SemShareKV: Efficient KVCache Sharing for Semantically Similar Prompts via Token-Level LSH Matching
University of Notre Dame(诺特大学)
SemShareKV通过语义相似提示的令牌级LSH匹配实现高效KV缓存共享,提升LLM推理速度并降低内存占用。
2025-12-16 cs.AI cs.CL
CROP: Token-Efficient Reasoning in Large Language Models via Regularized Prompt Optimization
Google LLC(谷歌公司);Purdue University(普渡大学)
CROP通过正则化提示优化,在保持准确性的同时显著降低token消耗,适用于复杂推理任务。
2026-04-08 cs.AI cs.CL
Certain but not Probable? Differentiating Certainty from Probability in LLM Token Outputs for Probabilistic Scenarios
SciTech Strategies, Inc.(SciTech Strategies公司);Georgetown University(乔治城大学)
研究发现在概率场景中,尽管GPT-4.1和DeepSeek-Chat的响应准确率完美,但其基于token logits的确定性与理论概率分布存在偏离,表明从token输出估计模型概率的不足。
2025-11-01 cs.CL
Batch Prompting Suppresses Overthinking Reasoning Under Constraint: How Batch Prompting Suppresses Overthinking in Reasoning Models
George Mason University(乔治·马歇尔大学);Google(谷歌);eBay
批量提示通过减少推理标记和抑制过度推理行为,提升推理模型的效率和可靠性。
2026-02-20 cs.CL
PromptOptMe: Error-Aware Prompt Compression for LLM-based MT Evaluation Metrics
University of Mannheim(曼海姆大学);University of Technology Nuremberg(纽伦堡工业大学)
本文提出 PromptOptMe 方法,利用小模型压缩评估提示以降低基于 LLM 的机器翻译评估成本,在保持评估质量的同时将 token 使用量减少 2.37 倍。
2024-12-20 cs.CL
DynaMaR: Dynamic Prompt with Mask Token Representation
Amazon(亚马逊);Google(谷歌)
最近的研究表明,使用无监督方法预训练的大语言模型可以在许多下游任务上实现显着的性能提升。通常,当将这些语言模型适应下游任务(如分类或回归任务)时,我们采用微调范式,其中来自语言模型的句子表示被输入到特定于任务的头部;然后端到端地微调模型。然而,随着GPT-3等模型的出现,基于FFT的微调已被证明是Few-Shot任务的成功方法。受此启发,我们在实践中研究离散提示技术。标准的即时方法会产生两个问题。首先,它可能在提示模板上过拟合。第二,它需要人工努力将下游任务公式化为语言模型问题。在本文中,我们提出了一个改进的基于自适应的微调,解决这两个问题。我们将我们的方法称为DynaMaR --具有掩码令牌表示的动态提示。结果表明,DynaMaR可以实现平均改善10%,在Few-Shot设置和改善3.7%,在数据丰富的设置在四个电子商务应用程序的标准微调方法。
2022-06-07 cs.CL cs.LG
Cross-Family Speculative Prefill: Training-Free Long-Context Compression with Small Draft Models
本文研究跨家族推测预填技术,利用不同模型家族的轻量草稿模型实现无训练提示压缩,保留90-100%的完整提示性能并显著降低TTFT,表明推测预填依赖任务先验和语义结构。
2026-03-13 cs.CL
Prompt2Gaussia: Uncertain Prompt-learning for Script Event Prediction
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);School of Cyber Security, Beijing University of Posts and Telecommunications(北京邮电大学网络空间安全学院)
本文提出Prompt2Gaussia方法,首次将提示学习引入脚本事件预测,通过高斯分布建模提示词元和标签词元的不确定性,在两个基准上分别超越先前基线1.46%和1.05%。
2023-08-04 cs.CL
Gradient-Controlled Decoding: A Safety Guardrail for LLMs with Dual-Anchor Steering
本文提出梯度控制解码(GCD),通过双锚点令牌提升安全性,降低误报率,同时在多个基准测试中有效抑制攻击,且对计算资源要求低。
2026-04-06 cs.CL
FUSE-ing Language Models: Zero-Shot Adapter Discovery for Prompt Optimization Across Tokenizers
Carnegie Mellon University(卡内基梅隆大学)
针对不同分词器导致提示词知识迁移困难的问题,本文提出 FUSE,用三阶张量对齐语义嵌入并近似跨模型梯度,实现零样本适配器发现,且在图像描述任务中验证有效。
2024-08-09 cs.CL cs.LG
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
From Token to Token Pair: Efficient Prompt Compression for Large Language Models in Clinical Prediction
Department of Engineering Science, University of Oxford, Oxford, United Kingdom(牛津大学工程科学系,英国牛津)
本文提出MedTPE方法,通过将频繁共现的医疗标记对合并为复合标记,实现无损压缩,减少输入标记长度和推理延迟,同时保持或提升预测性能。
2026-05-12 cs.CL cs.LG
Local Prompt Optimization
Microsoft(微软)
本文提出局部提示优化(LPO)方法,通过识别优化 token 并引导 LLM 仅关注这些 token,解决了全局提示优化空间过大导致指导不足的问题,在多个基准上显著提升性能并加快收敛速度。
2025-04-29 cs.AI cs.CL cs.LG
Broken-Token: Filtering Obfuscated Prompts by Counting Characters-Per-Token
JFrog
提出CPT-Filtering技术,通过计算文本每Token平均字符数(CPT)利用BPE分词器特性,以极低成本和高准确率识别并过滤利用密码和字符编码的越狱攻击,为LLMs提供可即时部署的防御层。
2025-10-30 cs.AI cs.CL cs.CR
What's the Difference? Supporting Users in Identifying the Effects of Prompt and Model Changes Through Token Patterns
MaiNLP, Center for Information and Language Processing, LMU Munich(MaiNLP,信息与语言处理中心,慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Department for Computer Vision and Machine Learning, Max Planck Institute for Informatics(计算机视觉与机器学习部门,马克斯·普朗克信息研究所)
提出结合自动化与人工分析的 Spotlight 方法,利用数据挖掘技术提取 Token 模式,帮助用户高效识别 Prompt 和模型变化对语言模型输出产生的系统性差异。
2025-05-30 cs.CL cs.HC cs.LG
Localizing Prompt Ambiguity in Large Language Models with Probe-Targeted Attribution
Georgia Institute of Technology(佐治亚理工学院)
提出PRIG方法,利用线性探针和梯度归因,通过中间表示而非输出层定位提示中的歧义位置,在合成和人工基准上取得高AUROC。
2026-06-03 cs.CL cs.LG
SpacTor-T5: Pre-training T5 Models with Span Corruption and Replaced Token Detection
Google Research(谷歌研究院)
本文提出 SpacTor 两阶段混合预训练流程,将 SC 与 RTD 结合用于 T5,在保持下游性能的同时减少 50% 迭代和 40% FLOPs,或在同等预算下提升基准表现。
2024-01-24 cs.CL cs.LG
How Confident Is the First Token? An Uncertainty-Calibrated Prompt Optimization Framework for Large Language Model Classification and Understanding
China Jiliang University(中国嘉兴大学)
本文提出LSFU指标和UCPOF框架,通过校准提示优化提升模型性能,实验显示在少样本基准上准确率提升6.03%,超越全RAG方法,并降低检索触发率50.66%。
2026-02-23 cs.AI cs.CL
Analyzing Chain-of-Thought Prompting in Large Language Models via Gradient-based Feature Attributions
Harvard University(哈佛大学)
本研究利用基于梯度的特征归因方法分析思维链提示对大语言模型的影响,发现其虽不增加语义相关标记的显著性分数幅度,但提高了分数对扰动和输出变化的鲁棒性。
2023-07-25 cs.AI cs.CL
Token Prepending: A Training-Free Approach for Eliciting Better Sentence Embeddings from LLMs
State Key Laboratory for Novel Software Technology(新型软件技术国家重点实验室)
本文提出免训练的Token Prepending技术,通过将各层解码的句子嵌入前置到下一层输入开头,缓解因果注意力导致的前序token信息偏差,从而在多种LLMs和任务上显著提升基于提示的句子嵌入性能。
2025-07-03 cs.AI cs.CL
Format Sensitivity Index: Token-Controlled Prompt Wrapper Robustness and Schema Compliance in LLM Benchmarking
Adobe Inc(Adobe公司)
研究提示包装器格式差异对模型分数的影响,引入格式敏感性指数(FSI)和可解析性敏感性指数(PSI),通过大量实验发现平均FSI在不同模型间变化超30倍,且可解析性是准确性有力预测指标,指出不考虑包装器差异和合规性报告准确性不可靠并给出建议。
2026-07-14 cs.AI cs.CL cs.LG
Chinese Language Is Not More Efficient Than English in Vibe Coding: A Preliminary Study on Token Cost and Problem-Solving Rate
本文通过 SWE-bench Lite 评估中文在 LLM 编码任务中的 token 效率,发现中文并无效率优势,且成功率低于英语,提示语言切换未必带来成本节约。
2026-04-06 cs.CL cs.SE
Generation, Evaluation, and Explanation of Novelists' Styles with Single-Token Prompts
Department of Computer Science Northern Illinois University(计算机科学系北伊利诺伊大学)
本研究通过单个标记提示生成并评估19世纪小说家的风格,利用变压器检测器和可解释AI方法分析文本风格特征。
2025-11-25 cs.AI cs.CL
LazyLLM: Dynamic Token Pruning for Efficient Long Context LLM Inference
Apple(苹果公司);Meta AI
LazyLLM提出动态令牌剪枝方法,在预填充和解码阶段选择性计算重要令牌的KV缓存,加速长上下文推理,无需微调,如将LLama 2 7B预填充加速2.34倍。
2024-07-19 cs.AI cs.CL cs.LG
Breaking Safety at the Token Boundary: How BPE Tokenization Creates Exploitable Gaps in LLM Alignment
Palo Alto Networks
研究发现BPE分词将安全关键词拆分为子词,导致对齐数据集缺乏此类碎片化输入,通过优化碎片化可绕过80-100%的安全拒绝,并定位到模型最后约30%层。
2026-07-03 cs.AI cs.CL
Probabilistic Attribution For Large Language Models
Argonne Leadership Computing Facility(阿贡领导计算设施);Argonne National Laboratory(阿贡国家实验室);Mathematics and Computer Science Division(数学与计算机科学 division);Department of Computer Science(计算机科学系)
本文提出了一种模型无关的概率性token归因度量,通过贝叶斯法则反向计算下一个token的对数概率,以捕捉模型对token序列分布的内部表示,从而提高大型语言模型的可解释性。
2026-05-20 cs.AI cs.CL
Prompt-Based One-Shot Exact Length-Controlled Generation with LLMs
本文提出一种基于倒计时提示的一次性方法,使大语言模型无需微调即可精确控制生成文本的token数量,在多个基准上显著提升长度合规率并保持答案质量。
2025-08-19 cs.AI cs.CL
LabelPrompt: Effective Prompt-based Learning for Relation Classification
Jiangnan University(江南大学);University of Surrey(萨里大学)
本文提出LabelPrompt提示学习框架,通过关系标签词元、实体感知对比学习和注意力查询策略提升关系分类性能,在少样本基准实验中表现优越。
2023-08-13 cs.AI cs.CL cs.IR
PromptFix: Few-shot Backdoor Removal via Adversarial Prompt Tuning
School of Information Science & Technology, Pennsylvania State University(宾夕法尼亚州立大学信息科学与技术学院);Department of Computer Science, Stony Brook University(石溪大学计算机科学系)
本文提出PromptFix,一种少样本场景下通过对抗性提示调优移除NLP模型后门的方法,保持模型参数不变,仅用两组软令牌近似并抵消触发词,在多种攻击和领域偏移下验证了有效性。
2024-06-06 cs.CL cs.LG
Reasoning-Token Spikes Under Prompted Untruthful Responses in Large Language Models
Chapman University(查普曼大学);INSERM U992, Cognitive Neuroimaging Unit, NeuroSpin Center(法国国家健康与医学研究院U992认知神经影像单元,神经自旋中心);University of California, Los Angeles(加州大学洛杉矶分校);California Institute of Technology(加州理工学院)
本研究探讨通过推理令牌数量检测大模型不实回答,发现明确提示不实回答会显著增加推理令牌使用,可作为内容无关的检测信号。
2026-10-12 cs.AI cs.CL
Say Anything but This: When Tokenizer Betrays Reasoning in LLMs
University of Houston(休斯顿大学)
本研究发现分词器的不一致导致LLM推理错误,通过一致性探针揭示了分词引起的表征缺陷,并提出分词层面的修复方法。
2026-01-21 cs.AI cs.CL
Efficient and Effective Prompt Tuning via Prompt Decomposition and Compressed Outer Product
Software College, Northeastern University(东北大学软件学院);School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院)
针对现有提示调优(PT)方法存在的软提示令牌语义关联缺失、长提示导致成本高的问题,提出LAMP方法,通过提示分解(Truncated SVD降维)和压缩外积增强交互,在多架构多数据集上性能和效率优于SOTA的PT和LoRA方法。
2025-02-16 cs.AI cs.CL
Unveiling and Manipulating Prompt Influence in Large Language Models
Nanyang Technological University(南洋理工大学);School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院);Singapore-ETH Centre(新加坡-ETH中心)
本文提出 Token Distribution Dynamics(TDD),通过 LM head 与词表分布动态衡量提示 token 显著性,并支持零样本毒性抑制和情感引导。
2024-05-20 cs.AI cs.CL
Token embeddings violate the manifold hypothesis
Mathematics and Statistics(数学与统计学);American University(美国大学);Galois, Inc.(Galois公司);Department of Mathematics, University of Washington(华盛顿大学数学系)
本文通过提出纤维丛假设检验,从经验和理论上证明LLM的词元嵌入空间不满足流形假设,并发现涉及不规则词元的提示响应稳定性更差。
2025-10-22 cs.AI cs.CL
Cmprsr: Abstractive Token-Level Question-Agnostic Prompt Compressor
Compresr Inc.(Compresr公司);EPFL(瑞士联邦理工学院)
Cmprsr通过优化压缩元提示和微调技术,在多种压缩率下实现高效且高质量的提示压缩,适用于不同输入长度和领域。
2026-01-08 cs.CL cs.LG
LanguaShrink: Reducing Token Overhead with Psycholinguistics
East China Jiaotong University(华东交通大学);Guangdong University of Technology(广东工业大学);University of Toronto(多伦多大学);East China Normal University(华东师范大学)
LanguaShrink框架利用心理语言学原理和艾宾浩斯记忆曲线,结合词性优先级压缩、数据蒸馏及KL正则化强化学习,实现任务无关的提示词压缩,在保持语义的同时达到最高26倍压缩,并将端到端延迟提升1.43倍。
2024-09-01 cs.CL stat.ML
CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning
Sun Yat-Sen University(中山大学);The Chinese University of Hong Kong(香港中文大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);National University of Singapore(新加坡国立大学);University of Electronic Science and Technology of China(电子科技大学);Beijing University of Posts and Telecommunieations(北京邮电大学);Singapore Management University(新加坡管理大学)
研究分布转移下的图学习问题,提出CoEvoT框架,通过文本到图令牌重写与图到文本推理指导的闭环协同进化,实现逐步的、状态感知的证据细化,在八个数据集实验中性能优于现有基准模型。
2026-07-17 cs.AI cs.CL
Two Vectors Replace In-Context Demos: Structured Task Adaptation via Embeddings
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Northwestern University(西北大学)
STAVE用两个任务特定向量取代上下文演示,实现零射击推理成本,在多模态和文本任务上以更少参数达到或超越最先进方法。
2026-10-07 cs.CL cs.CV cs.LG
What's the Magic Word? A Control Theory of LLM Prompting
California Institute of Technology(加州理工学院);University of Toronto(多伦多大学)
本文用控制理论将LLM建模为离散随机动力系统,分析自注意力可控性与参数矩阵奇异值的关系,并通过Falcon-7b等模型实验表明短提示可显著改变输出概率,为提示工程提供数学基础。
2024-07-03 cs.AI cs.CL cs.LG
Prompt Repetition Improves Non-Reasoning LLMs
Google Research(谷歌研究)
通过重复输入提示提升非推理LLMs性能,无需增加生成token数量或延迟。
2025-12-17 cs.AI cs.CL cs.LG
Delta Tokenizer: Reference-Identical Tokenization of Session Deltas and Segment-Parallelism for Long Prompts on Multicore CPUs
Arizona State University(亚利桑那州立大学)
Delta Tokenizer是面向多核CPU的分词前端,通过增量分词与分段并行技术,大幅缩短会话轮次及长请求的分词时间,降低LLM服务的首令牌生成时间,且输出与参考结果完全一致。
2026-10-15 cs.CL cs.DC cs.PF
Assessing Phrase Break of ESL speech with Pre-trained Language Models
Microsoft Research Asia(微软亚洲研究院)
本文介绍了一种基于预训练的语言模型(PLMs)来评估ESL学习者语音中的短语断裂的方法。与传统方法不同,该方案将语音转换为令牌序列,然后利用PLM的功能。有两个子任务:对语音片段的短语中断的总体评估;对每个可能的短语中断位置的细粒度评估。语音输入首先与文本强制对齐,然后预处理为令牌序列,包括单词和相关联的短语中断信息。然后,令牌序列被馈送到预训练和微调流水线中。在预训练中,用令牌数据训练替换的中断令牌检测模块,其中每个令牌具有被随机替换的特定百分比机会。在微调中,分别使用文本分类和序列标记管道优化整体和细粒度评分。随着PLM的引入,对标记训练数据的依赖性大大降低,性能也得到了提高。
2022-10-28 cs.CL cs.SD eess.AS