ACL

ExpliCa: Evaluating Explicit Causal Reasoning in Large Language Models

ExpliCa：评估大型语言模型中的显式因果推理

Martina Miliani, Serena Auriemma, Alessandro Bondielli, Emmanuele Chersoni, Lucia Passaro, Irene Sucameli, Alessandro Lenci

机构 * CoLing Lab, Department of Philology, Literature, and Linguistics, University of Pisa, Italy（皮尔森大学哲学、文学与语言学系协作语言实验室） ； Department of Informatics, University of Pisa, Italy（皮尔森大学信息学系） ； Department of Chinese and Bilingual Studies, The Hong Kong Polytechnic University（香港理工大学中文与双语研究系） 纠错

AI总结 ExpliCa数据集用于评估大型语言模型在显式因果推理中的能力，发现顶级模型在准确率上仍存在显著不足，且模型性能受语言顺序和大小影响明显。

Comments Accepted for publication in Findings of ACL 2025

Journal ref In Findings of the Association for Computational Linguistics: ACL 2025, pages 17335-17355, Vienna, Austria. Association for Computational Linguistics

AutoMixer: Checkpoint Artifacts as Automatic Data Mixers

AutoMixer：检查点 artifacts 作为自动数据混合器

Ernie Chang, Yang Li, Patrick Huber, Vish Vogeti, David Kant, Yangyang Shi, Vikas Chandra

AI总结 AutoMixer通过利用检查点模型的新兴能力，自动优化数据混合，提升预训练性能达1.93%。

Comments Accepted at ACL 2025

Déjà Vu? Decoding Repeated Reading from Eye Movements

déjà vu？通过眼动模式解码重复阅读

Yoav Meiri, Omer Shubi, Cfir Avraham Hadar, Ariel Kreisberg Nitzav, Yevgeni Berzak

机构 * Faculty of Data and Decision Sciences, Technion - Israel Institute of Technology（数据与决策科学学院，特拉维夫大学-以色列理工学院） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（脑与认知科学系，麻省理工学院） 纠错

AI总结 通过分析眼动模式，研究自动判断读者是否曾接触过同一文本，并探索记忆效应在重复阅读中的作用。

Journal ref https://aclanthology.org/2025.acl-long.956/