Buchumschlag

What Makes Language Models Good-enough?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Asami, Daiki, Sugawara, Saku
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Dual-Task Paradigm to Investigate Sentence Comprehension Strategies in Language Models
von: Emura, Rei, et al.
Veröffentlicht: (2026)

CxMP: A Linguistic Minimal-Pair Benchmark for Evaluating Constructional Understanding in Language Models
von: Oba, Miyu, et al.
Veröffentlicht: (2026)

C2: Scalable Rubric-Augmented Reward Modeling from Binary Preferences
von: Kawabata, Akira, et al.
Veröffentlicht: (2026)

Rationale-Aware Answer Verification by Pairwise Self-Evaluation
von: Kawabata, Akira, et al.
Veröffentlicht: (2024)

Specification-Aware Machine Translation and Evaluation for Purpose Alignment
von: Kayano, Yoko, et al.
Veröffentlicht: (2025)

Are Checklists Really Useful for Automatic Evaluation of Generative Tasks?
von: Furuhashi, Momoka, et al.
Veröffentlicht: (2025)

Can Language Models Induce Grammatical Knowledge from Indirect Evidence?
von: Oba, Miyu, et al.
Veröffentlicht: (2024)

What Makes a Good Natural Language Prompt?
von: Long, Do Xuan, et al.
Veröffentlicht: (2025)

TactfulToM: Do LLMs Have the Theory of Mind Ability to Understand White Lies?
von: Liu, Yiwei, et al.
Veröffentlicht: (2025)

MoreHopQA: More Than Multi-hop Reasoning
von: Schnitzler, Julian, et al.
Veröffentlicht: (2024)

Which Feedback Works for Whom? Differential Effects of LLM-Generated Feedback Elements Across Learner Profiles
von: Furuhashi, Momoka, et al.
Veröffentlicht: (2026)

Quality Text, Robust Vision: The Role of Language in Enhancing Visual Robustness of Vision-Language Models
von: Waseda, Futa, et al.
Veröffentlicht: (2025)

What Makes Good Instruction-Tuning Data? An In-Context Learning Perspective
von: Han, Guangzeng, et al.
Veröffentlicht: (2026)

Label Effects: Shared Heuristic Reliance in Trust Assessment by Humans and LLM-as-a-Judge
von: Sun, Xin, et al.
Veröffentlicht: (2026)

What Makes Two Language Models Think Alike?
von: Salle, Jeanne, et al.
Veröffentlicht: (2024)

What Makes a Good Doctor Response? A Study on Text-Based Telemedicine
von: Cosma, Adrian, et al.
Veröffentlicht: (2026)

What Makes a Reward Model a Good Teacher? An Optimization Perspective
von: Razin, Noam, et al.
Veröffentlicht: (2025)

Automatic Feedback Generation for Short Answer Questions using Answer Diagnostic Graphs
von: Furuhashi, Momoka, et al.
Veröffentlicht: (2025)

Measuring Human Involvement in AI-Generated Text: A Case Study on Academic Writing
von: Guo, Yuchen, et al.
Veröffentlicht: (2025)

Large Language Models Know What Makes Exemplary Contexts
von: Long, Quanyu, et al.
Veröffentlicht: (2024)

What Makes Diffusion Language Models Super Data Learners?
von: Gao, Zitian, et al.
Veröffentlicht: (2025)

What Makes a Good Response? An Empirical Analysis of Quality in Qualitative Interviews
von: Ivey, Jonathan, et al.
Veröffentlicht: (2026)

What Makes Good Multilingual Reasoning? Disentangling Reasoning Traces with Measurable Features
von: Ki, Dayeon, et al.
Veröffentlicht: (2026)

Sample Design Engineering: An Empirical Study of What Makes Good Downstream Fine-Tuning Samples for LLMs
von: Guo, Biyang, et al.
Veröffentlicht: (2024)

Guiding Through Complexity: What Makes Good Supervision for Hard Math Reasoning Tasks?
von: He, Xuan, et al.
Veröffentlicht: (2024)

What Makes an LLM a Good Optimizer? A Trajectory Analysis of LLM-Guided Evolutionary Search
von: Zhang, Xinhao, et al.
Veröffentlicht: (2026)

What Makes Large Language Models Reason in (Multi-Turn) Code Generation?
von: Zheng, Kunhao, et al.
Veröffentlicht: (2024)

Can Large Language Models Robustly Perform Natural Language Inference for Japanese Comparatives?
von: Mikami, Yosuke, et al.
Veröffentlicht: (2025)

What Makes for Good Visual Instructions? Synthesizing Complex Visual Reasoning Instructions for Visual Instruction Tuning
von: Du, Yifan, et al.
Veröffentlicht: (2023)

What Makes a Good Query? Measuring the Impact of Human-Confusing Linguistic Features on LLM Performance
von: Watson, William, et al.
Veröffentlicht: (2026)

How Many Languages Make Good Multilingual Instruction Tuning? A Case Study on BLOOM
von: Ji, Shaoxiong, et al.
Veröffentlicht: (2024)

Are Large Language Models Good Data Preprocessors?
von: Meguellati, Elyas, et al.
Veröffentlicht: (2025)

Intention Analysis Makes LLMs A Good Jailbreak Defender
von: Zhang, Yuqi, et al.
Veröffentlicht: (2024)

Is analogy enough to draw novel adjective-noun inferences?
von: Ross, Hayley, et al.
Veröffentlicht: (2025)

Are Large Language Models Good Statisticians?
von: Zhu, Yizhang, et al.
Veröffentlicht: (2024)

What Makes Good Data for Alignment? A Comprehensive Study of Automatic Data Selection in Instruction Tuning
von: Liu, Wei, et al.
Veröffentlicht: (2023)

A Good Plan is Hard to Find: Aligning Models with Preferences is Misaligned with What Helps Users
von: Balepur, Nishant, et al.
Veröffentlicht: (2025)

Bias Vector: Mitigating Biases in Language Models with Task Arithmetic Approach
von: Shirafuji, Daiki, et al.
Veröffentlicht: (2024)

Are Large Language Models Actually Good at Text Style Transfer?
von: Mukherjee, Sourabrata, et al.
Veröffentlicht: (2024)

One prompt is not enough: Instruction Sensitivity Undermines Embedding Model Evaluation
von: Kostiuk, Yevhen, et al.
Veröffentlicht: (2026)