Buchumschlag

No Size Fits All: The Perils and Pitfalls of Leveraging LLMs Vary with Company Size

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Urlana, Ashok, Kumar, Charaka Vinayak, Garlapati, Bala Mallikarjunarao, Singh, Ajeet Kumar, Mishra, Rahul
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computers and Society Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

No LLM is Free From Bias: A Comprehensive Study of Bias Evaluation in Large Language Models
von: Kumar, Charaka Vinayak, et al.
Veröffentlicht: (2025)

Agent Ideate: A Framework for Product Idea Generation from Patents Using Agentic AI
von: Kanumolu, Gopichand, et al.
Veröffentlicht: (2025)

LLMs with Industrial Lens: Deciphering the Challenges and Prospects -- A Survey
von: Urlana, Ashok, et al.
Veröffentlicht: (2024)

HalluCounter: Reference-free LLM Hallucination Detection in the Wild!
von: Urlana, Ashok, et al.
Veröffentlicht: (2025)

Shadow Unlearning: A Neuro-Semantic Approach to Fidelity-Preserving Faceless Forgetting in LLMs
von: P, Dinesh Srivasthav, et al.
Veröffentlicht: (2026)

TrustAI at SemEval-2024 Task 8: A Comprehensive Analysis of Multi-domain Machine Generated Text Detection Techniques
von: Urlana, Ashok, et al.
Veröffentlicht: (2024)

Cyber for AI at SemEval-2025 Task 4: Forgotten but Not Lost: The Balancing Act of Selective Unlearning in Large Language Models
von: P, Dinesh Srivasthav, et al.
Veröffentlicht: (2025)

Exploring News Summarization and Enrichment in a Highly Resource-Scarce Indian Language: A Case Study of Mizo
von: Bala, Abhinaba, et al.
Veröffentlicht: (2024)

LimGen: Probing the LLMs for Generating Suggestive Limitations of Research Papers
von: Faizullah, Abdur Rahman Bin Md, et al.
Veröffentlicht: (2024)

Navigating Pitfalls: Evaluating LLMs in Machine Learning Programming Education
von: Kumar, Smitha, et al.
Veröffentlicht: (2025)

Controllable Text Summarization: Unraveling Challenges, Approaches, and Prospects -- A Survey
von: Urlana, Ashok, et al.
Veröffentlicht: (2023)

Evaluating AI Evaluation: Perils and Prospects
von: Burden, John
Veröffentlicht: (2024)

The Potential and Perils of Generative Artificial Intelligence for Quality Improvement and Patient Safety
von: Jalilian, Laleh, et al.
Veröffentlicht: (2024)

AGIC: Attention-Guided Image Captioning to Improve Caption Relevance
von: Teja, L. D. M. S. Sai, et al.
Veröffentlicht: (2025)

Potential and Perils of Large Language Models as Judges of Unstructured Textual Data
von: Bedemariam, Rewina, et al.
Veröffentlicht: (2025)

Size-adaptive Hypothesis Testing for Fairness
von: Ferrara, Antonio, et al.
Veröffentlicht: (2025)

Data to Decisions: A Computational Framework to Identify skill requirements from Advertorial Data
von: Singh, Aakash, et al.
Veröffentlicht: (2025)

Leveraging LLMs to Streamline the Review of Public Funding Applications
von: Marques, Joao D. S., et al.
Veröffentlicht: (2025)

Securing Educational LLMs: A Generalised Taxonomy of Attacks on LLMs and DREAD Risk Assessment
von: Zahid, Farzana, et al.
Veröffentlicht: (2025)

No One Size Fits All: QueryBandits for Hallucination Mitigation
von: Cho, Nicole, et al.
Veröffentlicht: (2026)

Pedagogical Promise and Peril of AI: A Text Mining Analysis of ChatGPT Research Discussions in Programming Education
von: Grume, Juvy C., et al.
Veröffentlicht: (2026)

Beyond One-Size-Fits-All Summarization: Customizing Summaries for Diverse Users
von: Duran, Mehmet Samet, et al.
Veröffentlicht: (2025)

Encouraging Responsible Use of Generative AI in Education: A Reward-Based Learning Approach
von: Singh, Aditi, et al.
Veröffentlicht: (2024)

It is Too Many Options: Pitfalls of Multiple-Choice Questions in Generative AI and Medical Education
von: Singh, Shrutika, et al.
Veröffentlicht: (2025)

Can Large Language Models Unlock Novel Scientific Research Ideas?
von: Kumar, Sandeep, et al.
Veröffentlicht: (2024)

neuralFOMO: Can LLMs Handle Being Second Best? Measuring Envy-Like Preferences in Multi-Agent Settings
von: Ramamoorthy, Arnav, et al.
Veröffentlicht: (2025)

WHBench: Evaluating Frontier LLMs with Expert-in-the-Loop Validation on Women's Health Topics
von: Maurya, Sneha, et al.
Veröffentlicht: (2026)

From Facts to Conclusions : Integrating Deductive Reasoning in Retrieval-Augmented LLMs
von: Mishra, Shubham, et al.
Veröffentlicht: (2025)

MoPHES:Leveraging on-device LLMs as Agent for Mobile Psychological Health Evaluation and Support
von: Wei, Xun, et al.
Veröffentlicht: (2025)

Are Companies Taking AI Risks Seriously? A Systematic Analysis of Companies' AI Risk Disclosures in SEC 10-K forms
von: Marin, Lucas G. Uberti-Bona, et al.
Veröffentlicht: (2025)

Weight Pruning Amplifies Bias: A Multi-Method Study of Compressed LLMs for Edge AI
von: Rath, Plawan Kumar, et al.
Veröffentlicht: (2026)

Leveraging Prompts in LLMs to Overcome Imbalances in Complex Educational Text Data
von: McClure, Jeanne, et al.
Veröffentlicht: (2024)

A Conditional Companion: Lived Experiences of People with Mental Health Disorders Using LLMs
von: Purohit, Aditya Kumar, et al.
Veröffentlicht: (2026)

One Size doesn't Fit All: A Personalized Conversational Tutoring Agent for Mathematics Instruction
von: Liu, Ben, et al.
Veröffentlicht: (2025)

The Pitfalls of "Security by Obscurity" And What They Mean for Transparent AI
von: Hall, Peter, et al.
Veröffentlicht: (2025)

The Limits of Goal-Setting Theory in LLM-Driven Assessment
von: Kumar, Mrityunjay
Veröffentlicht: (2025)

How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings?
von: Maiti, Pratyusha, et al.
Veröffentlicht: (2024)

Do AI Companies Make Good on Voluntary Commitments to the White House?
von: Wang, Jennifer, et al.
Veröffentlicht: (2025)

The Scenic Route to Deception: Dark Patterns and Explainability Pitfalls in Conversational Navigation
von: Ilyankou, Ilya, et al.
Veröffentlicht: (2026)

One Size Does Not Fit All: Token-Wise Adaptive Compression for KV Cache
von: Lu, Liming, et al.
Veröffentlicht: (2026)