Buchumschlag

Is Depth All You Need? An Exploration of Iterative Reasoning in LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Zongqian, Li, Tianyu, Xu, Baoduo, Yang, Jiaying, Zhan, Mengmeng, Zhu, Xiaofeng, Feng, Lei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Rethinking Chain-of-Thought from the Perspective of Self-Training
von: Wu, Zongqian, et al.
Veröffentlicht: (2024)

Mitigating Strategy-Selection Bias in Reasoning for More Effective Test-Time Scaling
von: Wu, Zongqian, et al.
Veröffentlicht: (2025)

Training on the Benchmark Is Not All You Need
von: Ni, Shiwen, et al.
Veröffentlicht: (2024)

Prolonged Reasoning Is Not All You Need: Certainty-Based Adaptive Routing for Efficient LLM/MLLM Reasoning
von: Lu, Jinghui, et al.
Veröffentlicht: (2025)

Contrast Is All You Need
von: Kilic, Burak, et al.
Veröffentlicht: (2023)

Rho-1: Not All Tokens Are What You Need
von: Lin, Zhenghao, et al.
Veröffentlicht: (2024)

Attention Is All You Need for KV Cache in Diffusion LLMs
von: Nguyen-Tri, Quan, et al.
Veröffentlicht: (2025)

Evaluation is All You Need: Strategic Overclaiming of LLM Reasoning Capabilities Through Evaluation Design
von: Sun, Lin, et al.
Veröffentlicht: (2025)

Attention Smoothing Is All You Need For Unlearning
von: Zade, Saleh Zare, et al.
Veröffentlicht: (2026)

ReasonGraph: Visualisation of Reasoning Paths
von: Li, Zongqian, et al.
Veröffentlicht: (2025)

COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning
von: Bai, Yuelin, et al.
Veröffentlicht: (2024)

More Agents Is All You Need
von: Li, Junyou, et al.
Veröffentlicht: (2024)

Agents Are All You Need for LLM Unlearning
von: Sanyal, Debdeep, et al.
Veröffentlicht: (2025)

Not All Documents Are What You Need for Extracting Instruction Tuning Data
von: Zhang, Chi, et al.
Veröffentlicht: (2025)

Rethinking Data Selection at Scale: Random Selection is Almost All You Need
von: Xia, Tingyu, et al.
Veröffentlicht: (2024)

Tensor Product Attention Is All You Need
von: Zhang, Yifan, et al.
Veröffentlicht: (2025)

Scaling Law in LLM Simulated Personality: More Detailed and Realistic Persona Profile Is All You Need
von: Bai, Yuqi, et al.
Veröffentlicht: (2025)

Guidance is All You Need: Temperature-Guided Reasoning in Large Language Models
von: Gomaa, Eyad, et al.
Veröffentlicht: (2024)

Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
von: Gan, Chunjing, et al.
Veröffentlicht: (2024)

Self-Verification is All You Need To Pass The Japanese Bar Examination
von: Shin, Andrew
Veröffentlicht: (2026)

Sparsity May Be All You Need: Sparse Random Parameter Adaptation
von: Rios, Jesus, et al.
Veröffentlicht: (2025)

Are Retrials All You Need? Enhancing Large Language Model Reasoning Without Verbalized Feedback
von: Potamitis, Nearchos, et al.
Veröffentlicht: (2025)

Reasoning Is All You Need for Urban Planning AI
von: Yang, Sijie, et al.
Veröffentlicht: (2025)

Pipeline Parallelism is All You Need for Optimized Early-Exit Based Self-Speculative Decoding
von: Li, Ruanjun, et al.
Veröffentlicht: (2025)

Communication is All You Need: Persuasion Dataset Construction via Multi-LLM Communication
von: Ma, Weicheng, et al.
Veröffentlicht: (2025)

Response-Level Rewards Are All You Need for Online Reinforcement Learning in LLMs: A Mathematical Perspective
von: He, Shenghua, et al.
Veröffentlicht: (2025)

Exploitation Is All You Need... for Exploration
von: Rentschler, Micah, et al.
Veröffentlicht: (2025)

Blending Is All You Need: Cheaper, Better Alternative to Trillion-Parameters LLM
von: Lu, Xiaoding, et al.
Veröffentlicht: (2024)

LoRA is All You Need for Safety Alignment of Reasoning LLMs
von: Xue, Yihao, et al.
Veröffentlicht: (2025)

Synthetic Data RL: Task Definition Is All You Need
von: Guo, Yiduo, et al.
Veröffentlicht: (2025)

Towards Supporting Legal Argumentation with NLP: Is More Data Really All You Need?
von: Santosh, T. Y. S. S, et al.
Veröffentlicht: (2024)

English is Not All You Need: Systematically Exploring the Role of Multilinguality in LLM Post-Training
von: Dhaliwal, Mehak, et al.
Veröffentlicht: (2026)

Demonstrations Are All You Need: Advancing Offensive Content Paraphrasing using In-Context Learning
von: Som, Anirudh, et al.
Veröffentlicht: (2023)

SurfaceLogicKV: Surface and Logic Attention Behaviors are All You Need for Robust KV Cache Compression
von: Li, Mengjie, et al.
Veröffentlicht: (2025)

All You Need is One: Capsule Prompt Tuning with a Single Vector
von: Liu, Yiyang, et al.
Veröffentlicht: (2025)

How Far Are We From AGI: Are LLMs All We Need?
von: Feng, Tao, et al.
Veröffentlicht: (2024)

eSapiens's DEREK Module: Deep Extraction & Reasoning Engine for Knowledge with LLMs
von: Shi, Isaac, et al.
Veröffentlicht: (2025)

Not All Preferences are What You Need for Post-Training: Selective Alignment Strategy for Preference Optimization
von: Dong, Zhijin
Veröffentlicht: (2025)

All-in-One Tuning and Structural Pruning for Domain-Specific LLMs
von: Lu, Lei, et al.
Veröffentlicht: (2024)

SecEncoder: Logs are All You Need in Security
von: Bulut, Muhammed Fatih, et al.
Veröffentlicht: (2024)