跨域事件抽取不再迷路：领域条件化让小模型逆袭大LLM
事件抽取模型一出自家门就迷路？德国DFKI与奥尔登堡大学联合提出统一多域多任务生成框架：给T5加上领域指示和任务提示词，单模型就能横跨网络安全、生物医学、新闻等6大领域做事件抽取，多域联合训练还让多个数据集性能不降反升，这种"一个模型通吃天下"的玩法，值得认真聊聊。
标签：NLP
共 33 篇
数字比大小难倒一片大模型，NAACL基准揭示“数盲”真相
数学解题能力强，不代表真的“懂数字”。这篇NAACL论文把数值能力当成自然语言推理任务来测，一口气跑了49个模型，结果发现数学专用大模型只在算术上占优，数字比较和归一化反而拉胯，值得每一位关注LLM推理能力的读者看看。
汤森路透新基准：GPT-5.5审合同召回率仅75%？
想象一下这个场景：一笔并购交易历经数月谈判，终于在截止日前夜敲定了最终条款。此时，一位律师揉着布满血丝的眼睛，逐行核对一份几百页的合同——不是在看条款对不对，而是在找"错别字"级别的硬伤：某个大写术语在这里为什么没大写？
8358篇阿尔巴尼亚新闻实测：本地LLM也能精准追踪媒体语气
低资源语言的NLP工具一直是老大难，这篇来自地拉那大学的论文直接用本地Gemma 4搭了一条媒体偏见分析流水线，在8358篇阿尔巴尼亚语新闻上把人物实体召回率做到70.3%。更妙的是提示词对比实验：严格校验虽然消灭了标签不一致，但覆盖率几乎腰斩。看完只想说，工程里没有万能的prompt，只有合适的取舍。
乔治梅森大学新框架：o1-preview效果亮眼GPT-4o，医疗问答准确率飙升
这就是社区问答（Community Question-Answering，简称CQA）平台面临的真实困境。
46语言屠榜！小米开源翻译模型无参考后训练超GPT-5
这可能是目前“无参考后训练”最扎实的一篇落地研究：小米直接用GRPO把46语言翻译模型的无参考质量分数推过了谷歌翻译和GPT-5，还顺手开源了模型和代码。想搞懂“不依赖参考译文怎么训翻译模型”，这篇值得精读。
斯坦福2013年神作：递归张量网络把情感分析SOTA推到85.4%
被引9624次的NLP镇馆级论文，情感分析必读经典。斯坦福团队一口气端出两样硬货：215,154个短语级标注的Sentiment Treebank，以及把张量带进递归网络的RNTN，直接终结了“词袋模型统治情感分析”的时代。
残碑补字新范式：字符级掩码扩散让Ithaca都成了配角
当大模型都在卷token时，这篇论文反着来：用字符级离散扩散处理古希腊残卷，把修复误差从24.6直接干到15.5。更难得的是，它把训练语料和11个去污染检查点全部开源，还承诺每个残破文本都能找到一个"从未见过它"的模型来做修复。数字人文的"可复现良心"，大概就长这样。
斯图加特大学：现成CLIP零微调，天生就会预测人类眼动？
有句老话叫“所见即所知”，斯图加特大学这篇新作直接把它变成了“所听即所看”：只拿一个现成的CLIP模型做归因，不微调、不标注、不用任何生成架构，就能复现视觉世界实验里经典的预测性眼动——人类听到“eat”还没听到“cake”就把目光移向蛋糕，模型居然也“看”向了同一个地方。
佐治亚理工最新研究：LLM像人一样读故事？回指消解也有“人味”
LLM的“阅读理解”到底是真懂还是背题？佐治亚理工这篇论文把认知科学里研究人类回指消解的经典实验，原封不动搬到5个开源大模型身上，用surprisal和准确率当探针测“人味”。结果显示：Mistral-7B和GPT-2-XL的整体表现最像人类读者。
中科院零训练AI文本检测：EchoPrompt一句前缀识破机器写作
AI写得越来越像人，怎么零训练识破它？中科院团队从“生成机制”入手，给文本加上一句通用助手前缀，没想到机器文本立刻“自我暴露”——无需任何训练，检测精度直接刷新SOTA，甚至比不少训练过的检测器还猛。值得一看的“机制级”AI文本检测新思路。
仅0.0118%参数参与训练，大模型对抗训练FLOPs直降48.1%
大模型对抗训练是真·烧钱大户，光8步PGD就吃掉约80%算力。密歇根州立大学这篇工作把「低秩表示微调」和「电路剪枝代理模型」结合起来，从攻防两端同时压缩计算，平均省下48.1%的FLOPs，可训练参数只有0.0118%。效果不打折太多，性价比直接拉满。
