← EMNLP 各届
EMNLP 2025· Empirical Methods in Natural Language Processing
EMNLP 2025
亮点精读
8 篇 · 获奖 / oral / 高引📈 1.3k 引用
s1: Simple test-time scaling
提出s1方法，通过预算强制和拒绝采样实现简单测试时扩展。
💡 证明无需复杂技术即可提升推理能力。
arXiv
📈 429 引用
Search-o1: Agentic Search-Enhanced Large Reasoning Models
提出Search-o1，通过智能搜索增强大推理模型，提升复杂推理任务性能。
💡 首次将智能搜索集成到推理模型中，显著提升推理准确性和效率。
arXiv
📈 370 引用
Agent Laboratory: Using LLM Agents as Research Assistants
提出Agent Laboratory框架，利用LLM代理辅助研究人员完成文献综述、代码生成等任务。
💡 降低研究门槛，加速科研流程，提升效率。
arXiv
📈 240 引用
TokenSkip: Controllable Chain-of-Thought Compression in LLMs
提出TokenSkip方法，通过跳过冗余token实现可控的思维链压缩。
💡 显著降低推理成本，同时保持模型性能。
arXiv
📈 220 引用
DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments
提出DeepResearcher，通过强化学习在真实环境中扩展深度研究能力。
💡 首次将强化学习用于真实环境深度研究，显著提升效果。
arXiv
📈 178 引用
CODI: Compressing Chain-of-Thought into Continuous Space via Self-Distillation
提出CODI方法，通过自蒸馏将思维链压缩到连续空间，提升推理效率。
💡 首次将思维链压缩为连续表示，兼顾效率与推理性能。
arXiv
📈 142 引用
DAST: Difficulty-Adaptive Slow-Thinking for Large Reasoning Models
提出难度自适应慢思考方法，让大推理模型根据问题难度动态调整推理步数。
💡 提升推理效率，平衡准确性与计算成本。
arXiv
📈 132 引用
AdaptThink: Reasoning Models Can Learn When to Think
提出AdaptThink框架，让推理模型学会自适应地决定何时进行深度思考。
💡 提升效率，避免不必要的计算开销。
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