ACL

Self-Foveate: Enhancing Diversity and Difficulty of Synthesized Instructions from Unsupervised Text via Multi-Level Foveation

自聚焦：通过多级聚焦从无监督文本中增强合成指令的多样性和难度

Mingzhe Li, Xin Lu, Yanyan Zhao

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究中心） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 Self-Foveate通过多级聚焦方法提升无监督文本合成指令的多样性和难度，采用细粒度到整体模式的提取策略，并结合重合成模块提高指令质量。

Comments Accepted to ACL 2025 (Findings). 23 pages, 4 figures

Understanding Verbatim Memorization in LLMs Through Circuit Discovery

通过电路发现理解大语言模型中的逐字记忆

Ilya Lasy, Peter Knees, Stefan Woltran

机构 * Faculty of Informatics, TU Wien（信息学院，维也纳技术大学） 纠错

AI总结 通过分析transformer电路，研究揭示了大语言模型中记忆启动与维持机制的区别及跨领域鲁棒性

Comments The First Workshop on Large Language Model Memorization @ ACL 2025, Vienna, August 1st, 2025