LLM在尼泊尔语推文NER难例上超过PLM
热点事件持续更新
LLM在尼泊尔语推文NER难例上超过PLM
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
一项研究用微调预训练语言模型（PLM）的token概率，把尼泊尔语推文命名实体识别（NER）测试集分成“简单”和“困难”两类，再用16种提示词配置评估大语言模型（LLM）在困难案例上的表现。 结果显示，按语义相似度选择示例并增加示例数量，可使F1分数较基线配置提升近10分。LLM在完整测试集和简单测试集上不及PLM，但在困难测试集上超过PLM；将两个模型结合后，得分进一步提升。
AI 根据报道生成 · 1 小时前更新
最新进展11月9日 13:00
用 LLM 处理尼泊尔语推文中 NER 的困难案例报道时间线
沿着报道，了解事件的不同侧面。
11月9日
- arXiv cs.CL用 LLM 处理尼泊尔语推文中 NER 的困难案例
研究用微调预训练语言模型（PLM）的 token 概率将尼泊尔语推文测试集分为“简单”和“困难”案例，再用 16 种提示词配置评估 LLM 在困难案例上的表现。基于语义相似度选择示例并增加示例数量，可使 F1 分数较基线配置提升近 10 分。LLM 在完整和简单测试集上不及 PLM，但在困难测试集上超过 PLM，两模型结合后得分进一步提升。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。