Buchumschlag

Self-Correction Makes LLMs Better Parsers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Ziyan, Hou, Yang, Gong, Chen, Li, Zhenghua
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AICC: Parse HTML Finer, Make Models Better -- A 7.3T AI-Ready Corpus Built by a Model-Based HTML Parser
von: Ma, Ren, et al.
Veröffentlicht: (2025)

Character-Level Chinese Dependency Parsing via Modeling Latent Intra-Word Structure
von: Hou, Yang, et al.
Veröffentlicht: (2024)

XFormParser: A Simple and Effective Multimodal Multilingual Semi-structured Form Parser
von: Cheng, Xianfu, et al.
Veröffentlicht: (2024)

Mining Word Boundaries from Speech-Text Parallel Data for Cross-domain Chinese Word Segmentation
von: Wang, Xuebin, et al.
Veröffentlicht: (2024)

Making LLMs Better Many-to-Many Speech-to-Text Translators with Curriculum Learning
von: Du, Yexing, et al.
Veröffentlicht: (2024)

Beyond GPT-5: Making LLMs Cheaper and Better via Performance-Efficiency Optimized Routing
von: Zhang, Yiqun, et al.
Veröffentlicht: (2025)

Strategic Planning and Rationalizing on Trees Make LLMs Better Debaters
von: Wang, Danqing, et al.
Veröffentlicht: (2025)

CopyNE: Better Contextual ASR by Copying Named Entities
von: Zhou, Shilin, et al.
Veröffentlicht: (2023)

DeMPT: Decoding-enhanced Multi-phase Prompt Tuning for Making LLMs Be Better Context-aware Translators
von: Lyu, Xinglin, et al.
Veröffentlicht: (2024)

Learning to Self-Verify Makes Language Models Better Reasoners
von: Chen, Yuxin, et al.
Veröffentlicht: (2026)

Llamipa: An Incremental Discourse Parser
von: Thompson, Kate, et al.
Veröffentlicht: (2024)

AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators
von: He, Xingwei, et al.
Veröffentlicht: (2023)

Understanding the Dark Side of LLMs' Intrinsic Self-Correction
von: Zhang, Qingjie, et al.
Veröffentlicht: (2024)

Hint Tuning: Less Data Makes Better Reasoners
von: Fan, Siqi, et al.
Veröffentlicht: (2026)

Can LLMs Correct Themselves? A Benchmark of Self-Correction in LLMs
von: Tie, Guiyao, et al.
Veröffentlicht: (2025)

When Less Language is More: Language-Reasoning Disentanglement Makes LLMs Better Multilingual Reasoners
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

When Can LLMs Actually Correct Their Own Mistakes? A Critical Survey of Self-Correction of LLMs
von: Kamoi, Ryo, et al.
Veröffentlicht: (2024)

A Training-free LLM-based Approach to General Chinese Character Error Correction
von: Zhou, Houquan, et al.
Veröffentlicht: (2025)

Sample Smart, Not Hard: Correctness-First Decoding for Better Reasoning in LLMs
von: Li, Xueyan, et al.
Veröffentlicht: (2025)

QueueEDIT: Structural Self-Correction for Sequential Model Editing in LLMs
von: Zhang, Taolin, et al.
Veröffentlicht: (2025)

LLMs Underperform Graph-Based Parsers on Supervised Relation Extraction for Complex Graphs
von: Gajo, Paolo, et al.
Veröffentlicht: (2026)

Making Large Language Models Perform Better in Knowledge Graph Completion
von: Zhang, Yichi, et al.
Veröffentlicht: (2023)

Confidence v.s. Critique: A Decomposition of Self-Correction Capability for LLMs
von: Yang, Zhe, et al.
Veröffentlicht: (2024)

High-order Joint Constituency and Dependency Parsing
von: Gu, Yanggan, et al.
Veröffentlicht: (2023)

Faster and Better LLMs via Latency-Aware Test-Time Scaling
von: Wang, Zili, et al.
Veröffentlicht: (2025)

A Simple yet Effective Training-free Prompt-free Approach to Chinese Spelling Correction Based on Large Language Models
von: Zhou, Houquan, et al.
Veröffentlicht: (2024)

XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners
von: Luo, Yun, et al.
Veröffentlicht: (2023)

HuAMR: A Hungarian AMR Parser and Dataset
von: Barta, Botond, et al.
Veröffentlicht: (2025)

Triplets Better Than Pairs: Towards Stable and Effective Self-Play Fine-Tuning for LLMs
von: Wang, Yibo, et al.
Veröffentlicht: (2026)

LLMs Can Generate a Better Answer by Aggregating Their Own Responses
von: Li, Zichong, et al.
Veröffentlicht: (2025)

How Do Document Parsers Break? Auditing Structural Vulnerability in Document Intelligence
von: Chen, Yue, et al.
Veröffentlicht: (2026)

On the Intrinsic Self-Correction Capability of LLMs: Uncertainty and Latent Concept
von: Liu, Guangliang, et al.
Veröffentlicht: (2024)

JSPG: Dynamic Dictionary Filtering via Joint Semantic-Pinyin-Glyph Retrieval for Chinese Contextual ASR
von: Zhou, Shilin, et al.
Veröffentlicht: (2026)

Mutual Reasoning Makes Smaller LLMs Stronger Problem-Solvers
von: Qi, Zhenting, et al.
Veröffentlicht: (2024)

Bridging Discourse Treebanks with a Unified Rhetorical Structure Parser
von: Chistova, Elena
Veröffentlicht: (2025)

SETUP: Sentence-level English-To-Uniform Meaning Representation Parser
von: Markle, Emma, et al.
Veröffentlicht: (2025)

A State-of-the-Art Morphosyntactic Parser and Lemmatizer for Ancient Greek
von: Celano, Giuseppe G. A.
Veröffentlicht: (2024)

Syntactic Language Change in English and German: Metrics, Parsers, and Convergences
von: Chen, Yanran, et al.
Veröffentlicht: (2024)

Supervised Knowledge Makes Large Language Models Better In-context Learners
von: Yang, Linyi, et al.
Veröffentlicht: (2023)

Advantageous Parameter Expansion Training Makes Better Large Language Models
von: Gu, Naibin, et al.
Veröffentlicht: (2025)