← NAACL 各届
NAACL 2023· North American Chapter of the ACL
NAACL 2023
亮点精读
8 篇 · 获奖 / oral / 高引📈 1.0k 引用
REPLUG: Retrieval-Augmented Black-Box Language Models
提出REPLUG，将检索器与黑盒语言模型结合，通过检索增强生成质量。
💡 首次实现检索增强与黑盒模型兼容，提升事实性。
arXiv
📈 476 引用
GPTScore: Evaluate as You Desire
提出GPTScore，利用生成式预训练模型评估文本质量，无需参考文本。
💡 无需参考即可评估，灵活适应多种任务。
arXiv
📈 410 引用
XSTest: A Test Suite for Identifying Exaggerated Safety Behaviours in Large Language Models
提出XSTest测试集，识别大语言模型在安全对齐中过度拒绝非有害输入的夸大安全行为。
💡 揭示安全对齐的副作用，推动更精准的安全行为设计。
arXiv
📈 408 引用
Better Zero-Shot Reasoning with Role-Play Prompting
通过角色扮演提示增强大语言模型的零样本推理能力。
💡 无需示例即可提升推理，简单有效。
arXiv
📈 397 引用
GPT-NER: Named Entity Recognition via Large Language Models
提出GPT-NER，利用大型语言模型通过生成式方法进行命名实体识别。
💡 展示了LLM在NER任务上的潜力，无需微调即可达到SOTA。
arXiv
📈 366 引用
Trusting Your Evidence: Hallucinate Less with Context-aware Decoding
提出上下文感知解码方法，通过对比上下文与模型分布减少幻觉。
💡 无需额外训练，显著降低生成幻觉。
arXiv
📈 362 引用
From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning
提出自引导数据选择方法，从指令数据中筛选高质量样本以提升LLM微调性能。
💡 揭示数据质量比数量更重要，为高效指令微调提供新思路。
arXiv
📈 342 引用
Reasoning or Reciting? Exploring the Capabilities and Limitations of Language Models Through Counterfactual Tasks
通过反事实任务探究语言模型在推理与记忆间的能力边界与局限。
💡 揭示模型依赖记忆而非真正推理的缺陷。
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