Многоаспектная оценочная рамка оценивает генерацию арабского текста, управляемую CEFR, с помощью LLMs. Результаты показывают, что использование подсказок, управляемых CEFR и с лексическими ограничениями, обеспечивает высокую сопоставимость с лингвистическими профилями и предсказуемой читаемостью, в то время как неограниченные подсказки показывают слабое управление.
Исследование оценивает более 30 больших языковых моделей по преобразованию графем в звуки на японском языке с использованием 3000 ручно аннотированных предложений. Наиболее эффективные языковые модели достигают ошибки в канде-символах ниже 0,52%, превосходя лучшую традиционную систему (1,03%). Режим разбора, с применением правил послеобработки, показывает лучшие результаты по сравнению с прямым режимом для большинства моделей, и канды, предсказанные языковой моделью, улучшают произношение в речевых системах при вводе в TTS на основе канды.
Ноу представляет архитектуру памяти, основанную на прогнозировании, а не на хранении, используя категориальные распределения вероятностей для моделирования знаний о мире. Оценка на LoCoMo с GPT-4o-mini показывает значения F1 равные 63,50 (одношаговый), 55,32 (многошаговый), -58,57 (временной) и 62,50 (открытая область), превосходя A-MEM в трёх категориях и BeliefMem во всех, хотя различия в оценке ограничивают полную сопоставимость.
Недавние модели рассуждений демонстрируют лишь слабую способность обнаруживать изменения в их цепях мышления. Их трудно выявить, как их цепь мышления была изменена, и они показывают схожие результаты при оценке изменений в собственных и в цепях мышления других моделей.
TSCognition представляет многомодальный бенчмарк с 41K образцов вопрос-ответ по пяти задачам когнитивного рассуждения. TSAlign превосходит существующие модели на TSCognition и TimerBed, одновременно снижая вычислительные затраты, используя представления на уровне патчей и выравнивание в пространстве векторных представлений LLM.
Исследование сравнивает семь методов оценки уверенности на 25 парам моделей-датасетов и показывает, что одноразовая оценка уверенности в устной форме хорошо классифицирует случаи, но предоставляет лишь несколько различных значений, что ограничивает пороги для операторов. Сбор данных с помощью нескольких запросов расширяет разрыв в детализации оценки, улучшает слабые модели, но ухудшает сильные, при этом возникают компромиссы, которые информируют о практическом внедрении.
Адаптивное планирование данных (ADS) вводит двууровневую систему планирования данных, которая заменяет равномерное выборку на адаптивное распределение по семантическим кластерам и выборку образцов на границах политики. Экспериментальные результаты показывают, что ADS улучшает среднюю точность на 5,2% по сравнению с GRPO при трех больших языковых моделях и семи задачах логического мышления, что демонстрирует его эффективность как универсальной стратегии для постобучения больших языковых моделей на основе реверсии.
CURIOBOT использует коллективные переменные Берльне для создания лингвистических вмешательств, направленных на пробуждение любопытства, в диалогах по обучению. В ходе 270 диалогов такие вмешательства увеличили исследовательские поведения вплоть до 2,4 раза в диалоговых оборотах при фиксированных временных пределах, при этом рост сохраняется, несмотря на неизменную качество инструкций преподавателя.
ORBIT обеспечивает обучение-бесплатное одновременное управление несколькими атрибутами поведения с использованием ортогонального вращения подпространства. Оно достигает сбалансированного и согласованного управления атрибутами без переподготовки, превосходя существующие базовые решения на тестах TraitFactory и ToneBank.
В статье предлагается классификация, ориентированная на дизайн, для концептуальной синхронизации в диалогах человека-робота, которая определяется как двусторонний, совместно-конструируемый процесс. Вводится схема диалоговых действий для описания взаимодействующих движений, обеспечивающих синхронизацию, предлагая структурированную рамку для анализа и проектирования таких взаимодействий.
LIHA выявляет небольшое количество голов первых токенов в GPT-2, которые постоянно обращаются к первому токену запроса, вызывая переключение языка. Обучение по инструкциям переориентирует эти схемы, концентрируя идентичность языка на ранних слоях, как это показано в контролируемом сравнении моделей Qwen2.5-1.5B-Base и Qwen2-1.5B-Instruct. Первое токенное распространение является специфичным для сценариев, с непереводимыми языками, обрабатываемыми на слое 0, что соответствует паттерну инструкционно обученной модели.
P4IR, двухэтапная система, использует обучение с учителем и групповую относительную оптимизацию политик для улучшения систем автоматического соблюдения кода на основе больших языковых моделей. Она снижает расстояние редактирования дерева и расстояние Левенштейна на уровне токенов до 23,8% и 38,6% соответственно, превосходя ведущие языковые модели, такие как Claude Opus, GPT-5.2 и GLM-4.7, в условиях нуля-шота и с использованием небольшого количества примеров, и снижает количество ложноположительных результатов на статистически значимом уровне.
Исследование показало, что закрепление знаний в графе улучшает LLM только при ответах на вопросы, основанные на фактах, не входящих в обучающий набор. На публичных биомедицинских знаниях закрепление не приносит пользы, но на новых или приватных данных оно повышает точность с уровня случайности до почти идеальных значений, что подтверждает, что LLM используют внешние данные за пределами обучения для достижения реальных улучшений.
Большие языковые модели учатся причинной структуре через логику разности в процессе обучения, определяя, какие последовательности слов влияют на другие. Этот подход соответствует экспериментальному методу, используя вариацию в тексте для выявления причинных связей, и подтверждается анализами токен-вложений и механизмов самовнимания.
Этуд сравнивает персонажей в историях, сгенерированных LLM и написанных людьми, с использованием нарратологических параметров. В исследовании установлено, что хотя LLM генерируют персонажей с похожими основными характеристиками, они не обладают разнообразием в сложных характеристиках персонажей, таких как целостность и стилизация. Анализ показывает, что LLM генерируют истории с ограниченным разнообразием персонажей по сравнению с историями, написанными людьми.
Модели речи-текста, встроенные в друг друга, проходят скрытую фазу транскрипции, при которой речевые слова превращаются в разделяемые текстовые токены в промежуточных слоях, несмотря на отсутствие обучения по распознаванию речи. До 77% данных показывают, что речевое слово появляется как наиболее вероятный текстовый предсказываемый вариант, за которым следует продолжение текста и возврат к речи. Такое поведение обусловлено встраиванием данных и инициализацией текстовых моделей, что коррелирует с показателями знаний о речи.
FACTOR вводит адаптивную проверку фактичности при генерации длинных текстов, изменяя критерии проверки в зависимости от неопределённости утверждений на уровне утверждений. Благодаря оценке неопределённости, инференции на языке и переранжированию кандидатов, FACTOR улучшает фактичность и снижает стоимость проверки, при этом результаты показывают сильную производительность при работе с разнообразными моделями.
Система Buddy использует монитор нестабильности на языке Rust для обнаружения неопределенности на уровне каждого токена при локальной инференции Gemma 3 4B, направляя только неопределенные токены в Sonnet через NER-ограниченную извлечение спанов и семантическое извлечение. Результаты тестирования показывают, что она достигает точности 71,4% при стоимости $0,21, превосходя паттерн Anthropic Advisor (62,9% при стоимости $0,44) на семи наборах данных Hugging Face, с ключевым улучшением на SQuAD v2 за счет направления фрагментов исходного текста в облачную модель.
VADAOrchestra представляет нейросимволическую архитектуру, сочетающую оркестрацию потоков на основе больших языковых моделей и синтаксическую логическую инференцию Datalog+/- . Она обеспечивает адаптивное и объяснимое принятие решений за счёт пошагового планирования потоков и выполнения логических инференций по запросу, обеспечивая аудитируемость, масштабируемость и проверяемость в реальных финансовых сценариях.
VCM решает проблему вероятностного ловушка в декодировании больших языковых моделей, вводя динамические механизмы для перестройки распределений вероятностей. Он повышает разнообразие, согласованность и точность рассуждений в открытой генерации, в вопросах фактического знания и математическом мышлении с минимальными вычислительными затратами.