大家好我是 「PaperScope.ai| P 站站长」闻星，EMNLP 2025 在苏州闭幕我们来看看 4000+ 论文中的 7 篇杰出论文有哪些，论文解读由 Intern-S1 生成。(1) LingGym: How Far AreLLMs from Thinking Like Field Linguists?论文简介：由Yang等学者提出了LingGym基准测试，该工作通过构建多语言元语言推理评估框架，系统检验了大...
陆毅，复旦大学自然语言处理实验室硕士生，在 ACL、EMNLP、COLM、NeurIPS 等顶会发表论文十余篇，LongCat Team 核心成员，研究方向为大模型的复杂推理和长序列建模，指导老师为桂韬老师。郭林森，硕士毕业于东南大学，在 NAACL、EMNLP、Recsys 等会议发表论文多篇，目前就职于美团，LongCat Team 核心成员，研究方向为大模...
HUAONPART ONE自然语言处理产业概述自然语言处理（Natural Language Processing，NLP）是人工智能和计算机科学的一个分支，旨在使计算机能够理解、处理和生成人类自然语言，实现人机之间的自然语言交互。它涉及到语言学、计算机科学、数学等多学科知识，通过算法和模型对自然语言进行分析、理解和生成，以达到各种实际应用...
近日，来自 MetaGPT、蒙特利尔大学和 Mila 研究所、麦吉尔大学、耶鲁大学等机构的研究团队发布 CARE 框架，一个新颖的原生检索增强推理框架，教会 LLM 将推理过程中的上下文事实与模型自身的检索能力有机结合起来。该框架现已全面开源，包括训练数据集、训练代码、模型 checkpoints 和评估代码，为社区提供一套完整的、可复...
本文的第一作者曾敏来自 vivo AI Lab，主要研究方向为大语言模型、强化学习、agent。监督微调（SFT）和强化学习（RL）微调是大模型后训练常见的两种手段。通过强化学习微调大模型在众多 NLP 场景都取得了较好的进展，但是在文本分类场景，强化学习未取得较大的进展，其表现往往不如监督学习。SFT 和 RL 在训练的过程中都存...
本文来自社区投稿，单位：中国电信人工智能研究院研究方向：表格理解和大语言模型论文标题： T2R-bench: A Benchmark for Generating Article-Level Reports from Real World Industrial Tables收录会议： EMNLP 2025 Main Conference论文链接：https://www.arxiv.org/pdf/2508.19813Huggingface地址链接：https://huggingf...
随着 AI 技术的飞速发展，从「快思考」到 「慢思考」，大语言模型（LLMs）在处理复杂推理任务上展现出惊人的能力。无论是我们熟知的思维链（CoT），还是更复杂的深度思考模式（Thinking），都让 AI 的回答日益精准、可靠。然而，这种性能的提升并非没有代价。模型在推理过程中会产生大量的中间步骤和文本（tokens），这不仅...
微信公众号