← ACL 各届
ACL 2022· Annual Meeting of the Association for Computational Linguistics
ACL 2022
亮点精读
8 篇 · 获奖 / oral / 高引📈 3.3k 引用
Self-Instruct: Aligning Language Models with Self-Generated Instructions
提出Self-Instruct方法，利用模型自身生成指令数据微调，提升对齐能力。
💡 无需人工标注，低成本实现指令跟随。
arXiv
📈 2.0k 引用
Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them
评估链式思维在BIG-Bench困难任务上的表现，发现其提升有限。
💡 揭示链式思维推理的局限性，指引未来研究方向。
arXiv
📈 1.2k 引用
When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories
研究语言模型何时应依赖参数记忆而非非参数记忆，提出有效性判断方法。
💡 指导何时信任模型，提升可靠性与可解释性。
arXiv
📈 1.1k 引用
P-Tuning: Prompt Tuning Can Be Comparable to Fine-tuning Across Scales and Tasks
提出P-Tuning，通过可学习的连续提示向量，使提示调优在不同规模和任务上与微调性能相当。
💡 证明提示调优可替代微调，降低大模型适配成本。
📈 1.1k 引用
Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions
将检索与思维链推理交错进行，用于知识密集型多步问题回答。
💡 显著提升了复杂推理任务的准确性和可解释性。
arXiv
📈 967 引用
UniXcoder: Unified Cross-Modal Pre-training for Code Representation
提出UniXcoder，统一跨模态预训练模型，融合代码、注释和AST表示。
💡 首次统一多种代码表示，提升代码理解与生成性能。
arXiv
📈 912 引用
Towards Reasoning in Large Language Models: A Survey
综述大型语言模型在推理任务上的能力、方法和挑战。
💡 为LLM推理研究提供系统框架与未来方向。
arXiv
📈 852 引用
Discovering Language Model Behaviors with Model-Written Evaluations
利用模型自动生成评估，发现语言模型在100多个场景中的行为。
💡 自动化评估可扩展，揭示模型未知行为。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点