语言大模型 / LLM

Comparing Specialised Small and General Large Language Models on Text Classification: 100 Labelled Samples to Achieve Break-Even Performance

比较专门化的小型模型和通用的大型模型在文本分类中的表现：100个标注样本实现平衡性能

Branislav Pecher, Ivan Srba, Maria Bielikova

机构 * Faculty of Information Technology, Brno University of Technology（信息技术学院，布拉格技术大学） ； Kempelen Institute of Intelligent Technologies（智能技术研究所） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究比较了专门化小型模型与通用大型模型在文本分类中的表现，发现平均100个标注样本即可实现平衡性能，且样本需求受任务特征和方差影响显著。

Comments Accepted to the EMNLP 2025 conference

Orthogonal Low-rank Adaptation in Lie Groups for Continual Learning of Large Language Models

在李群中实现正交低秩适应用于大语言模型的持续学习

Kefan Cao, Shuaicheng Wu

机构 * Yingcai Honor College, University of Electronic Science and Technology of China（电子科技大学荣誉学院） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 OLieRA通过基于李群的乘法更新和任务子空间正交性，有效解决大语言模型在持续学习中的灾难性遗忘问题，实现性能和鲁棒性的提升。

Comments 13 pages, 3 figures

Limits of n-gram Style Control for LLMs via Logit-Space Injection

通过logit空间注入探讨n-gram风格控制的极限

Sami-ul Ahmed

机构 * University of Colorado Boulder（科罗拉多大学波德沃分校） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 通过logit空间注入n-gram风格先验实现轻量级风格控制，但效果受限于低lambda值范围，且不如提示和LoRA有效。

Comments 18 pages, 7 figures. Experimental study of decoding-time style control via n-gram logit injection

Evaluating Large Vision-language Models for Surgical Tool Detection

评估大型视觉-语言模型用于手术工具检测

Nakul Poudel, Richard Simon, Cristian A. Linte

机构 * Rochester Institute of Technology（罗切斯特理工大学） ； Center for Imaging Science（成像科学中心） ； Center for Imaging Science and Biomedical Engineering（成像科学与生物医学工程中心） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI

AI总结 本研究评估了三种大型视觉-语言模型在手术工具检测任务中的性能，发现Qwen2.5在检测和泛化能力上表现最佳。

Timely Machine: Awareness of Time Makes Test-Time Scaling Agentic

及时机器：时间意识使测试时间缩放成为代理

Yichuan Ma, Linyang Li, Yongkang chen, Peiji Li, Xiaozhe Li, Qipeng Guo, Dahua Lin, Kai Chen

机构 * Fudan University Shanghai AI Laboratory（复旦大学上海人工智能实验室） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 Timely Machine通过重新定义测试时间为实时时钟时间，提出Timely-RL方法提升时间预算意识，以应对高频工具调用和时间受限推理的挑战。

Comments Under Review

Simple-Sampling and Hard-Mixup with Prototypes to Rebalance Contrastive Learning for Text Classification

基于原型的简单采样与硬混合以平衡对比学习用于文本分类

Mengyu Li, Yonghao Liu, Fausto Giunchiglia, Ximing Li, Xiaoyue Feng, Renchu Guan

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出SharpReCL模型，通过原型向量和硬混合技术解决文本分类中的数据不平衡问题，提升对比学习效果。

Comments WWW26

Typologically Informed Parameter Aggregation

基于语言学信息的参数聚合

Stef Accou, Wessel Poelman

专题命中 指令微调 ：language model(abstract)；分类 cs.CL

AI总结 TIPA通过聚合现有适配器实现无需训练的跨语言迁移，有效提升低资源语言性能。

Comments EACL 2026: Findings

Cognitively-Inspired Tokens Overcome Egocentric Bias in Multimodal Models

具有认知启发的标记克服了多模态模型中的自我中心偏差

Bridget Leonard, Scott O. Murray

机构 * Department of Psychology University of Washington（心理学系华盛顿大学） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.AI

AI总结 本研究通过引入视角标记，提升多模态模型在空间推理任务中的表现，实现更人样的空间认知能力。