Buchumschlag

We Can't Understand AI Using our Existing Vocabulary

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hewitt, John, Geirhos, Robert, Kim, Been
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Neologism Learning for Controllability and Self-Verbalization
von: Hewitt, John, et al.
Veröffentlicht: (2025)

LLMs Still Can't Plan; Can LRMs? A Preliminary Evaluation of OpenAI's o1 on PlanBench
von: Valmeekam, Karthik, et al.
Veröffentlicht: (2024)

QuestBench: Can LLMs ask the right question to acquire information in reasoning tasks?
von: Li, Belinda Z., et al.
Veröffentlicht: (2025)

How Can We Effectively Expand the Vocabulary of LLMs with 0.01GB of Target Language Text?
von: Yamaguchi, Atsuki, et al.
Veröffentlicht: (2024)

Can't say cant? Measuring and Reasoning of Dark Jargons in Large Language Models
von: Ji, Xu, et al.
Veröffentlicht: (2024)

Beyond I'm Sorry, I Can't: Dissecting Large Language Model Refusal
von: Prakash, Nirmalendu, et al.
Veröffentlicht: (2025)

LLMs Can't Handle Peer Pressure: Crumbling under Multi-Agent Social Interactions
von: Song, Maojia, et al.
Veröffentlicht: (2025)

If You Can't Use Them, Recycle Them: Optimizing Merging at Scale Mitigates Performance Tradeoffs
von: Khalifa, Muhammad, et al.
Veröffentlicht: (2024)

Your Teacher Can't Help You Here: Combating Supervision Fidelity Decay in On-Policy Distillation
von: Liu, Yanjiang, et al.
Veröffentlicht: (2026)

Climbing the Ladder of Reasoning: What LLMs Can-and Still Can't-Solve after SFT?
von: Sun, Yiyou, et al.
Veröffentlicht: (2025)

Don't trust your eyes: on the (un)reliability of feature visualizations
von: Geirhos, Robert, et al.
Veröffentlicht: (2023)

Bench-2-CoP: Can We Trust Benchmarking for EU AI Compliance?
von: Prandi, Matteo, et al.
Veröffentlicht: (2025)

Can We Trust LLM Detectors?
von: Sandhan, Jivnesh, et al.
Veröffentlicht: (2026)

Can We Locate and Prevent Stereotypes in LLMs?
von: D'Souza, Alex
Veröffentlicht: (2026)

A Zero-Shot Open-Vocabulary Pipeline for Dialogue Understanding
von: Safa, Abdulfattah, et al.
Veröffentlicht: (2024)

Because we have LLMs, we Can and Should Pursue Agentic Interpretability
von: Kim, Been, et al.
Veröffentlicht: (2025)

You Can't Steal Nothing: Mitigating Prompt Leakages in LLMs via System Vectors
von: Cao, Bochuan, et al.
Veröffentlicht: (2025)

LLMs Can Plan Only If We Tell Them
von: Sel, Bilgehan, et al.
Veröffentlicht: (2025)

Random Initialization Can't Catch Up: The Advantage of Language Model Transfer for Time Series Forecasting
von: Riachi, Roland, et al.
Veröffentlicht: (2025)

LLM-REVal: Can We Trust LLM Reviewers Yet?
von: Li, Rui, et al.
Veröffentlicht: (2025)

Can We Edit LLMs for Long-Tail Biomedical Knowledge?
von: Yi, Xinhao, et al.
Veröffentlicht: (2025)

Can We Verify Step by Step for Incorrect Answer Detection?
von: Xu, Xin, et al.
Veröffentlicht: (2024)

No Reader Left Behind: Multi-Agent Summaries Everyone Can Understand
von: Jung, Jimin, et al.
Veröffentlicht: (2026)

Can't See the Forest for the Trees: Benchmarking Multimodal Safety Awareness for Multimodal LLMs
von: Wang, Wenxuan, et al.
Veröffentlicht: (2025)

Happiness is Sharing a Vocabulary: A Study of Transliteration Methods
von: Jung, Haeji, et al.
Veröffentlicht: (2025)

Even GPT-5.2 Can't Count to Five: The Case for Zero-Error Horizons in Trustworthy LLMs
von: Sato, Ryoma
Veröffentlicht: (2026)

Can't Remember Details in Long Documents? You Need Some R&R
von: Agrawal, Devanshu, et al.
Veröffentlicht: (2024)

Scaling Laws with Vocabulary: Larger Models Deserve Larger Vocabularies
von: Tao, Chaofan, et al.
Veröffentlicht: (2024)

Efficient and Effective Vocabulary Expansion Towards Multilingual Large Language Models
von: Kim, Seungduk, et al.
Veröffentlicht: (2024)

Puzzled by Puzzles: When Vision-Language Models Can't Take a Hint
von: Lee, Heekyung, et al.
Veröffentlicht: (2025)

SciMaster: Towards General-Purpose Scientific AI Agents, Part I. X-Master as Foundation: Can We Lead on Humanity's Last Exam?
von: Chai, Jingyi, et al.
Veröffentlicht: (2025)

Can We Talk Models Into Seeing the World Differently?
von: Gavrikov, Paul, et al.
Veröffentlicht: (2024)

Overcoming Vocabulary Mismatch: Vocabulary-agnostic Teacher Guided Language Modeling
von: Shin, Haebin, et al.
Veröffentlicht: (2025)

Now It Sounds Like You: Learning Personalized Vocabulary On Device
von: Wang, Sid, et al.
Veröffentlicht: (2023)

You Can't Get There From Here: Redefining Information Science to address our sociotechnical futures
von: Humr, Scott, et al.
Veröffentlicht: (2025)

Can AI Be as Creative as Humans?
von: Wang, Haonan, et al.
Veröffentlicht: (2024)

Can We Still Hear the Accent? Investigating the Resilience of Native Language Signals in the LLM Era
von: Utami, Nabelanita, et al.
Veröffentlicht: (2026)

ECCO: Can We Improve Model-Generated Code Efficiency Without Sacrificing Functional Correctness?
von: Waghjale, Siddhant, et al.
Veröffentlicht: (2024)

RedacBench: Can AI Erase Your Secrets?
von: Jeon, Hyunjun, et al.
Veröffentlicht: (2026)

Dictionaries to the Rescue: Cross-Lingual Vocabulary Transfer for Low-Resource Languages Using Bilingual Dictionaries
von: Sakajo, Haruki, et al.
Veröffentlicht: (2025)