LLM-Assisted Formalization Enables Deterministic Detection of Statutory Inconsistency in the Internal Revenue Code
Loyola University Chicago(芝加哥洛约拉大学)
针对大语言模型在税务法条冲突检测中结构化推理能力不足的问题,提出结合LLM与Prolog的神经符号混合框架,实现了对美国《国内税收法典》法条冲突的确定性、可复现检测。
2025-11-15 cs.AI
The PICCO Framework for Large Language Model Prompting: A Taxonomy and Reference Architecture for Prompt Structure
Mayo Clinic College of Medicine and Science(梅奥诊所医学院和科学学院);Mayo Clinic Division of General Internal Medicine(梅奥诊所内科医学部)
本文提出PICCO框架,通过综合11种现有提示框架,定义提示结构的分类和五要素参考架构,旨在提升提示设计的系统性和清晰度。
2026-04-03 cs.AI cs.CL
Explainable Rule Application via Structured Prompting: A Neural-Symbolic Approach
Faculty of Electronics and Information Technology(电子与信息技术学院);Warsaw University of Technology(华沙技术大学)
本文提出一种将推理分解为实体识别、属性提取和符号规则应用三步的结构化提示框架,融合神经与符号方法以提升规则应用的一致性和可解释性,并在LegalBench传闻证据判定任务上使OpenAI o系列模型的F1分数显著提升。
2025-06-19 cs.AI cs.CL
Controllable Mixed-Initiative Dialogue Generation through Prompting
Columbia University(哥伦比亚大学)
针对混合主动对话中可控生成受限于标注成本的问题,提出用提示大型语言模型替代微调,形式化提示构建,在PersuasionForGood和情感支持对话任务上经人类评估和自动指标优于微调及真实响应。
2023-05-06 cs.AI cs.CL cs.HC
XML Prompting as Grammar-Constrained Interaction: Fixed-Point Semantics, Convergence Guarantees, and Human-AI Protocols
Lightcap;Institut für die Zukunft(未来研究所);Turkish Aeronautical Association(土耳其航空协会);Aerospace Engineering(航空航天工程)
本文提出XML提示的语法约束交互框架,通过不动点语义和收敛保证统一语法解码与人机协议,实现稳定、可解析的LLM输出。
2025-09-09 cs.AI cs.CL cs.PL
Neuro-Symbolic Procedural Planning with Commonsense Prompting
University of California, Santa Barbara(加州大学圣巴巴拉分校);University of California, Santa Cruz(加州大学圣克鲁兹分校)
程序计划旨在通过分解成顺序的简单低级别步骤来实现复杂的高级别目标。尽管过程规划是人类日常生活中的一项基本技能,但对于缺乏对过程中因果关系的深刻理解的大语言模型(LLM)来说,它仍然是一个挑战。先前的方法需要手动样本来从zero-shot设置中的LLM获取程序规划知识。然而,LLM中的这种引发的预训练知识会导致目标和步骤之间的虚假相关性,从而损害模型对看不见的任务的泛化。相比之下,本文提出了一种神经符号程序规划器(ESTA),从常识注入提示LLM的程序规划知识。为了减轻虚假的目标步骤的相关性,我们使用符号程序执行器的潜在的程序表示形式化提示从常识知识库的因果干预结构因果模型。WikiHow和RobotHow上的自动和人工评估都显示了在没有进一步培训或手动范例的情况下,机器人程序规划的优越性。
2023-02-16 cs.AI cs.CL cs.LG
Natural Language Declarative Prompting (NLD-P): A Modular Governance Method for Prompt Design Under Model Drift
ddai Inc.(ddai公司)
本文提出NLD-P作为模块化治理方法,通过自然语言声明式提示解决模型漂移下的提示设计问题,提供可解释的控制框架。
2026-02-26 cs.AI 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
The Meta-Prompting Protocol: Orchestrating LLMs via Adversarial Feedback Loops
Zhejiang University(浙江大学)
元提示协议通过对抗反馈循环构建可编程自优化系统,解决LLM在关键任务中的确定性保证问题。
2025-12-17 cs.AI cs.CL cs.LG
"Sorry, Come Again?" Prompting -- Enhancing Comprehension and Diminishing Hallucination with [PAUSE]-injected Optimal Paraphrasing
AI Institute, University of South Carolina(南卡罗来纳大学AI研究院);Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);Islamic University of Technology(伊斯兰科技大学);Stanford University(斯坦福大学);Amazon AI(亚马逊AI研究院)
本文提出SCA提示方法,通过最优改写和注入[PAUSE]标记增强LLM对提示的理解,从而减少幻觉生成。
2024-03-27 cs.AI cs.CL
Watch Your Steps: Observable and Modular Chains of Thought
Carnegie Mellon University(卡内基梅隆大学)
本文提出 Program Trace Prompting,用基于 Python 的形式化步骤链替代 CoT 自然语言解释,在 BIG-Bench Hard 的 23 项任务上表现强劲,并支持错误分析与模块化验证。
2024-10-01 cs.AI cs.CL cs.LG
Towards a Mathematics Formalisation Assistant using Large Language Models
Microsoft Research(微软研究院);Indian Institute of Science(印度科学学院);London School of Geometry and Number Theory(伦敦几何与数论学院);Indian Institute of Science Education and Research(印度科学教育与研究院)
数学形式化是数学写作的任务(即,定义、定理陈述、证明)转换为自然语言语言,然后可以由程序检查其正确性。这是一个蓬勃发展的活动今天,但正式化仍然繁琐。在本文中,我们探讨的能力,一个大语言模型(法典),以帮助形式化的精益定理证明。我们发现,仔细的输入依赖的提示选择和后处理,法典是能够正式的短期数学陈述在本科水平与近75\%的准确度为$120$定理语句。为了证明定量分析是不可行的,我们进行了详细的案例研究。我们选择了一套不同的$13$定理在本科水平的证明,适合在两三个段落。我们表明,一个新的提示策略法典可以正式这些证明在自然语言至少有一个十二法典完成容易修复成一个完整的证明。这是令人惊讶的,因为基本上没有对齐的数据存在形式化的数学,特别是证明。这些结果表明,大语言模型是一个很有前途的途径完全或部分自动化的形式化。
2022-11-14 cs.AI cs.CL
AI-Driven Scholarly Peer Review via Persistent Workflow Prompting, Meta-Prompting, and Meta-Reasoning
Lobachevsky State University of Nizhny Novgorod(下诺夫哥罗德国立大学)
本文提出持久工作流提示(PWP)方法,通过分层模块化提示和元推理编码专家评审流程,使标准LLM能进行多模态、系统化的化学手稿批判性评审,识别方法缺陷并执行复杂分析任务。
2025-07-08 cs.AI physics.chem-ph
LOGIC-LM++: Multi-Step Refinement for Symbolic Formulations
Microsoft(微软)
针对LLM难以准确生成和精化形式符号表示的问题,本文提出Logic-LM++,通过成对比较评估LLM生成的多步精化方案,并在三个推理数据集上显著优于标准提示、思维链及Logic-LM。
2024-08-06 cs.AI cs.CL cs.LO
PersLitEval: Fine-grained Benchmark and Evaluation of LLMs on Persian Literature Questions
School of Computation, Information and Technology, TU Munich(计算信息与技术学院,慕尼黑工业大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
提出PersLitEval基准,包含4514道波斯文学多选题,评估六种LLM在十种提示策略下的表现,发现模型在概念相似性任务上准确率高,但在拼写和构词等正式语言分析上困难,且提示策略显著影响性能。
2026-05-26 cs.CL
From Natural Language to Verified Code: Toward AI Assisted Problem-to-Code Generation with Dafny-Based Formal Verification
Department of Computer Science, The University of Alabama(阿拉巴马大学计算机科学系);The University of Alabama(阿拉巴马大学);Alabama Water Institute, The University of Alabama(阿拉巴马水研究院,阿拉巴马大学)
本文提出NL2VC-60数据集,通过分层提示策略评估不同LLM在形式验证中的表现,发现结构化提示和迭代反馈能显著提升验证成功率,证明开放权重LLM可用于高可靠软件开发。
2026-04-24 cs.AI cs.SE
Automatic High-quality Verilog Assertion Generation through Subtask-Focused Fine-Tuned LLMs and Iterative Prompting
Simon Fraser University(西蒙菲莎大学);University of British Columbia(不列颠哥伦比亚大学)
本文提出基于子任务聚焦微调LLM和迭代提示的自动SVA生成流程,使功能正确断言增加7.3倍、无语法错误断言增加26%,有效简化FPV流程。
2024-11-23 cs.AI cs.AR
FormalScience: Scalable Human-in-the-Loop Autoformalisation of Science with Agentic Code Generation in Lean
University of Manchester, UK(英国曼彻斯特大学);Idiap Research Institute, Switzerland(瑞士Idiap研究所);National Biomarker Centre, CRUK-MI, UK(英国国家生物标志物中心,CRUK-MI)
FormalScience通过人类在环的代理流程,使非专业领域专家以低成本生成形式化证明,构建了包含200个大学物理问题及解决方案的FormalPhysics数据集,并探讨了现代LLM在自动形式化中的局限性。
2026-04-24 cs.AI cs.CL
Knowledge Model Prompting Increases LLM Performance on Planning Tasks
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
TMK框架通过显式任务分解和因果推理提升LLM在规划任务中的性能,使其在复杂符号任务中达到97.3%的准确率。
2026-02-03 cs.AI
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
Chained Prompting for Better Systematic Review Search Strategies
Electrical and Computer Engineering(电气与计算机工程系);American University of Beirut(贝鲁特美国大学);Department of Internal Medicine(内科系)
本文提出基于LLM的链式提示框架,用于自动化生成系统综述的高召回率搜索策略,通过分解目标、提取PICO要素等方法提升检索效果。
2025-11-28 cs.AI cs.CL cs.IR
NL2AGBench: Benchmarking LLM Auto-Formalization for AlphaGeometry
Valley Christian High School(谷基督高中);Vandegrift High School(范德格里夫特高中);Groton School(格罗顿学校);Texas State University(德克萨斯州立大学)
该研究提出NL2AGBench基准,评估LLMs将英文几何问题转换为AlphaGeometry兼容形式化表示的能力,发现闭源模型可实现80%以上可执行翻译率,开源模型表现欠佳,还提出错误分类法并验证了多种缓解策略的有效性。
2026-11-20 cs.AI cs.CL
When Your Own Output Becomes Your Training Data: Noise-to-Meaning Loops and a Formal RSI Trigger
本文提出N2M-RSI模型,展示AI代理通过自反馈和信息整合阈值可无限增加内部复杂性,并探讨了代理群交互的超线性效应。
2026-03-04 cs.AI cs.CL cs.LG
Compositional Chain-of-Thought Prompting for Large Multimodal Models
University of California, Berkeley(加州大学伯克利分校)
本文提出零样本组合式思维链提示方法CCoT,通过让大型多模态模型先生成场景图再据此作答,在不微调、无需场景图标注的情况下提升组合视觉推理与通用多模态基准性能。
2024-04-01 cs.AI cs.CL cs.CV
Reading Between the Lines: The One-Sided Conversation Problem
Paul G. Allen School of Computer Science & Engineering, University of Washington(保罗·G·阿伦计算机科学与工程学院,华盛顿大学);Allen Institute for Artificial Intelligence(阿伦人工智能研究所);Hearvana AI
本文提出单侧对话问题,研究如何从单侧对话中重建缺失发言和生成摘要,发现未来发言和发言长度信息有助于重建,而高质量摘要无需重建。
2026-04-16 cs.AI cs.CL cs.LG
Beyond Memorization: Testing LLM Reasoning on Unseen Theory of Computation Tasks
Ahmedabad University Gujarat, India(古吉拉特邦阿赫迈德亚布大学);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
本文通过构建DFA基准测试,揭示LLM在未见计算理论任务上的推理缺陷,发现其在处理复杂约束和语义一致性时存在系统性不足。
2026-01-19 cs.AI cs.CL cs.FL
Funny or Persuasive, but Not Both: Evaluating Fine-Grained Multi-Concept Control in LLMs
University of Cambridge(剑桥大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Apta(Apta公司);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
研究评估了LLM中多概念控制的细粒度可控性,发现双概念设置下性能下降,揭示了模型在组合性上的局限性。
2026-01-26 cs.AI cs.CL
A Formal Framework for Uncertainty Analysis of Text Generation with Large Language Models
University of Passau(帕绍大学)
本文提出形式框架以测量文本生成中不确定性,考虑提示、生成和解释的相互关联过程,并展示如何通过过滤器和目标函数表达不确定性,揭示现有方法的关联性及未研究的不确定性方面。
2026-03-27 cs.CL cs.LG
Toward Robust Legal Text Formalization into Defeasible Deontic Logic using LLMs
TU Wien(维也纳技术大学);AIT Austrian Institute of Technology(奥地利技术研究所);School of Engineering and Technology(工程与技术学院);Artificial Intelligence and Cyber Futures Institute(人工智能与未来网络研究院)
本文提出利用LLMs将法律文本形式化为可撤销规范逻辑,通过结构化管道和改进的评估方法,提升形式化的一致性和完整性。
2025-12-31 cs.AI cs.CL cs.CY
Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出Logic-LM框架,通过将大型语言模型与符号求解器结合,把自然语言转化为符号公式进行推理,并引入自我修正模块,在五个逻辑数据集上显著提升了LLM的逻辑推理性能。
2023-10-19 cs.AI cs.CL
OntoURL: A Benchmark for Evaluating Large Language Models on Symbolic Ontological Understanding, Reasoning and Learning
University of Groningen(格罗宁根大学);Leiden University(莱顿大学)
本研究提出本体能力分类体系与首个综合性基准OntoURL,从理解、推理、学习三维度系统评估大语言模型的符号本体处理能力,揭示了当前模型的优劣势与不同提示策略的影响。
2025-10-02 cs.CL
Operationalizing Data Minimization for Privacy-Preserving LLM Prompting
Northeastern University(东北大学);Carnegie Mellon University(卡内基梅隆大学)
针对LLM应用中用户提示过度分享隐私的问题,提出数据最小化形式化框架与优先级队列树搜索方法,实验证明大模型可承受更强数据最小化,且模型存在预测最优最小化方案的能力差距。
2025-10-04 cs.AI cs.LG
DeepSeek-Prover-V2: Advancing Formal Mathematical Reasoning via Reinforcement Learning for Subgoal Decomposition
DeepSeek-AI
DeepSeek-Prover-V2 通过基于子目标分解的强化学习冷启动方法统一形式化与非形式化数学推理,在 MiniF2F-test 和 PutnamBench 等基准上取得领先性能,并引入 ProverBench 以缩小形式化推理差距。
2025-07-18 cs.AI cs.CL
When Reasoning Hurts Legal Drafting: The Verbalization Bottleneck in Patent Claim Generation
研究专利权利要求生成中CoT提示是否有益,提出特定任务CoT方法并评估。结果显示推理增强提示可提升权利要求质量,且隐式CoT优于显式CoT,显式CoT会引入信息瓶颈,为法律任务和CoT应用提供新见解。
2026-07-14 cs.CL
Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration
Warsaw University of Technology(华沙技术大学)
本文提出结构分解框架,结合LLM与符号推理,通过本体填充和符号验证提升跨领域推理的准确性和一致性。
2026-01-04 cs.AI
Valuable Hallucinations: Realizable Non-realistic Propositions
本文形式化定义 LLM 中有价值的幻觉,提出可实现非现实命题视角,并用 Qwen2.5、HalluQA 与 ReAct 提示在降低总体幻觉的同时提升有价值幻觉占比。
2025-02-18 cs.CL
Human Speech Perception in Noise: Can Large Language Models Paraphrase to Improve It?
Saarland University(萨尔大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
该研究首次评估LLMs生成声学可懂改写句以改善噪声中语音感知的能力,并提出prompt-and-select方法,通过在生成流程中解耦文本与非文本属性,在-5 dB信噪比下使人类语音感知相对提升40%。
2024-08-07 cs.CL
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
Typed Chain-of-Thought: A Curry-Howard Framework for Verifying LLM Reasoning
Centre for Quantum Software and Information(量子软件与信息中心);University of Technology Sydney(悉尼技术大学)
针对大语言模型思维链推理依据的忠实性验证难题,提出基于Curry-Howard对应的类型化思维链框架,可将自然语言推理步骤映射为形式化类型化证明,实现推理忠实性的形式化验证,助力构建可信AI系统。
2025-10-01 cs.AI
Safe: Enhancing Mathematical Reasoning in Large Language Models via Retrospective Step-aware Formal Verification
School of Computer Science, National Key Laboratory for Multimedia Information Processing, PKU-Anker LLM Lab, Peking University(计算机学院、多媒体信息处理国家重点实验室、PKU-Anker LLM实验室、北京大学);Huawei Noah’s Ark Lab(华为诺亚实验室);The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出回顾式逐步形式化验证框架Safe,利用Lean 4对LLM数学推理的每一步进行形式化证明以识别幻觉,并构建FormalStep基准,显著提升推理性能与可验证性。
2025-06-05 cs.AI cs.CL cs.LG
VernaCopter: Disambiguated Natural-Language-Driven Robot via Formal Specifications
Eindhoven University of Technology(埃因霍温理工大学);Peking University(北京大学)
本文提出基于LLM的机器人运动规划器VernaCopter,利用信号时序逻辑(STL)规范作为自然语言命令与任务目标间的桥梁,有效消除自然语言歧义与LLM不确定性,生成高质量一致路径,实验验证其比传统规划器更稳定可靠。
2025-03-06 cs.AI cs.RO
Formalizing Learning from Language Feedback with Provable Guarantees
University of California, Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);University of Toronto(多伦多大学)
本文形式化语言反馈学习问题,提出转移埃尔泽维度刻画学习难度,并开发无遗憾算法HELiX,证明其性能保证,展示丰富语言反馈可指数级加速学习。
2026-06-06 cs.CL cs.LG
Beyond Words: A Mathematical Framework for Interpreting Large Language Models
Microsoft Research(微软研究院)
该研究提出用于解释大语言模型的数学框架Hex,厘清幻觉、对齐、思维链等关键概念,区分思维链推理与提示并明确二者等价条件,为生成式AI研究与落地提供形式化工具支撑。
2023-11-06 cs.AI cs.LG
Can LLMs Reason About Program Semantics? A Comprehensive Evaluation of LLMs on Formal Specification Inference
School of Computing and Information Systems(计算与信息系统学院);The University of Melbourne(墨尔本大学)
本文引入综合基准 FormalBench 评估 LLM 对程序语义的推理能力,发现其在复杂结构(如循环)和语义保持变换上表现不佳,并设计自修复提示将成功率提升 25%。
2025-05-29 cs.AI cs.PL cs.SE
Know Your Limits : On the Faithfulness of LLMs as Solvers and Autoformalizers in Legal Reasoning
UC Santa Cruz(加州大学圣克鲁兹分校);Univ. Helsinki(赫尔辛基大学);CodeX, Stanford(斯坦福大学CodeX中心);Stanford University(斯坦福大学);Canyon Crest Academy(峡谷峰学院);Monta Vista High School(蒙塔维斯塔高中);Los Altos High School(洛斯阿尔托斯高中)
研究LLM在法律推理中是否忠实执行逻辑推理,发现LLM基于形式推理的高性能掩盖了范围清洗等不忠实模式,揭示基准准确性与逻辑忠实性之间的根本差距。
2026-06-23 cs.AI cs.CL cs.LO
Autoformalization of Game Descriptions using Large Language Models
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出一个博弈论场景自动形式化框架,利用 one-shot prompting 和求解器反馈将自然语言描述转化为形式逻辑表示,在 GPT-4o 上实现 98% 语法正确率和 88% 语义正确率,展现 LLMs 连接现实战略交互与形式化推理的潜力。
2024-09-18 cs.AI cs.GT
Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity
Northeastern University(东北大学);West Virginia University(西弗吉尼亚大学)
研究发现偏好数据中的典型性偏差致大语言模型模式坍塌,引入言语化采样策略。该策略能促使模型说出响应概率分布,经实验验证可显著提升创意写作等多方面性能,为模式坍塌提供新视角及实用补救方法。
2026-07-17 cs.AI cs.CL
Simulated Students in Tutoring Dialogues: Substance or Illusion?
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Eedi
本文定义了学生模拟任务,提出涵盖语言、行为和认知的评估指标,并通过实验表明模拟学生的方法存在局限性,需进一步研究。
2026-01-07 cs.CL cs.CY
The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective
Columbia Business School(哥伦比亚商学院)
本文从因果推断视角探讨了使用LLM模拟人类行为的挑战,指出模糊提示策略导致混淆问题,并提出通过去盲化策略提升模型性能和鲁棒性。
2025-11-23 cs.AI cs.IR econ.EM
How Useful are LLMs for Grammar Engineering? Cantonese ParGram Resources and Controlled Experimental Evaluation with English Baselines
本研究通过对照实验评估LLMs在语法工程中的作用,发现GPT-5.4优于gpt-oss-120b,LLMs可支持语法开发中间阶段但需人类专业知识,还贡献了新粤语符号语法资源。
2026-08-25 cs.CL
PustakAI: Curriculum-Aligned and Interactive Textbooks Using Large Language Models
Department of Computer Science and Information Systems(计算机科学与信息系统系)
针对大语言模型适配特定课程内容的挑战,提出PustakAI框架构建对齐印度NCERT大纲的NCERT-QA问答数据集,评测多种提示方法与不同规模LLM作为教育工具的表现。
2025-11-14 cs.AI cs.CL
Evolving Code with A Large Language Model
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出LLM GP,一种利用大型语言模型的提示与序列补全能力重新设计演化算子的形式化遗传编程算法,并给出演示实现,探讨其设计要点与科学挑战。
2024-01-13 cs.AI cs.NE
Towards Auto-Modeling of Formal Verification for NextG Protocols: A Multimodal cross- and self-attention Large Language Model Approach
Stevens Institute of Technology(史蒂文斯理工学院)
本文提出 AVRE 系统,利用大语言模型和 transformer 的交叉与自注意力机制将 NextG 协议描述转化为形式化模型,在 HyFuzz 平台反馈下实现 95.94% 准确率和 0.98 AUC,首次支持直接从设计文档创建漏洞利用。
2024-01-02 cs.AI cs.LG cs.SY
What talking you?: Translating Code-Mixed Messaging Texts to English
Carnegie Mellon University(卡内基梅隆大学)
本研究针对新加坡式英语(Singlish)到正式英语的翻译,采用多步骤提示方案在五个大型语言模型上进行语言检测与翻译,发现模型表现不佳,并发布数据集以促进语码混合语言翻译研究。
2024-11-08 cs.CL