Buchumschlag

When Does Divide and Conquer Work for Long Context LLM? A Noise Decomposition Framework

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Zhen, Zhu, Shang, Wang, Jue, Wang, Junlin, Athiwaratkun, Ben, Wang, Chi, Zou, James, Zhang, Ce
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mixture-of-Agents Enhances Large Language Model Capabilities
von: Wang, Junlin, et al.
Veröffentlicht: (2024)

Scaling Instruction-Tuned LLMs to Million-Token Contexts via Hierarchical Synthetic Data Generation
von: He, Linda, et al.
Veröffentlicht: (2025)

Improving Model Alignment Through Collective Intelligence of Open-Source LLMS
von: Wang, Junlin, et al.
Veröffentlicht: (2025)

Staircase Streaming for Low-Latency Multi-Agent Inference
von: Wang, Junlin, et al.
Veröffentlicht: (2025)

Enhancing LLM Character-Level Manipulation via Divide and Conquer
von: Xiong, Zhen, et al.
Veröffentlicht: (2025)

Decomposition-Based Synthesis for Applying Divide-and-Conquer-Like Algorithmic Paradigms
von: Ji, Ruyi, et al.
Veröffentlicht: (2022)

Self-DC: When to Reason and When to Act? Self Divide-and-Conquer for Compositional Unknown Questions
von: Wang, Hongru, et al.
Veröffentlicht: (2024)

Reasoning in Token Economies: Budget-Aware Evaluation of LLM Reasoning Strategies
von: Wang, Junlin, et al.
Veröffentlicht: (2024)

Hierarchical Divide-and-Conquer for Fine-Grained Alignment in LLM-Based Medical Evaluation
von: Zheng, Shunfan, et al.
Veröffentlicht: (2025)

Long Context Scaling: Divide and Conquer via Multi-Agent Question-driven Collaboration
von: Xiao, Sibo, et al.
Veröffentlicht: (2025)

Fine-grained Verbal Attack Detection via a Hierarchical Divide-and-Conquer Framework
von: Zheng, Quan, et al.
Veröffentlicht: (2026)

Control Large Language Models via Divide and Conquer
von: Li, Bingxuan, et al.
Veröffentlicht: (2024)

Think Deep, Think Fast: Investigating Efficiency of Verifier-free Inference-time-scaling Methods
von: Wang, Junlin, et al.
Veröffentlicht: (2025)

Divide, Reweight, and Conquer: A Logit Arithmetic Approach for In-Context Learning
von: Huang, Chengsong, et al.
Veröffentlicht: (2024)

Where Does Long-Context Supervision Actually Go? Effective-Context Exposure Balancing
von: Zhu, Jinchang, et al.
Veröffentlicht: (2026)

Divide-or-Conquer? Which Part Should You Distill Your LLM?
von: Wu, Zhuofeng, et al.
Veröffentlicht: (2024)

Try, Check and Retry: A Divide-and-Conquer Framework for Boosting Long-context Tool-Calling Performance of LLMs
von: Chen, Kunfeng, et al.
Veröffentlicht: (2026)

AgentGroupChat-V2: Divide-and-Conquer Is What LLM-Based Multi-Agent System Need
von: Gu, Zhouhong, et al.
Veröffentlicht: (2025)

DCIS: Efficient Length Extrapolation of LLMs via Divide-and-Conquer Scaling Factor Search
von: Yang, Lei, et al.
Veröffentlicht: (2024)

SYMDIREC: A Neuro-Symbolic Divide-Retrieve-Conquer Framework for Enhanced RTL Synthesis and Summarization
von: Vijayaraghavan, Prashanth, et al.
Veröffentlicht: (2026)

Divide, Cache, Conquer: Dichotomic Prompting for Efficient Multi-Label LLM-Based Classification
von: Langner, Mikołaj, et al.
Veröffentlicht: (2025)

Divide-and-Conquer Meets Consensus: Unleashing the Power of Functions in Code Generation
von: Chen, Jingchang, et al.
Veröffentlicht: (2024)

When Does Context Help? Error Dynamics of Contextual Information in Large Language Models
von: Wang, Dingzirui, et al.
Veröffentlicht: (2026)

Progressive Divide-and-Conquer via Subsampling Decomposition for Accelerated MRI
von: Wang, Chong, et al.
Veröffentlicht: (2024)

On Many-Shot In-Context Learning for Long-Context Evaluation
von: Zou, Kaijian, et al.
Veröffentlicht: (2024)

Training LLMs for Divide-and-Conquer Reasoning Elevates Test-Time Scalability
von: Liang, Xiao, et al.
Veröffentlicht: (2026)

DCR: Divide-and-Conquer Reasoning for Multi-choice Question Answering with LLMs
von: Meng, Zijie, et al.
Veröffentlicht: (2024)

CIP: A Plug-and-Play Causal Prompting Framework for Mitigating Hallucinations under Long-Context Noise
von: Ma, Qingsen, et al.
Veröffentlicht: (2025)

Divide and Conquer: Accelerating Diffusion-Based Large Language Models via Adaptive Parallel Decoding
von: Luo, Xiangzhong, et al.
Veröffentlicht: (2026)

Automated Benchmark Auditing for AI Agents and Large Language Models
von: Wang, Junlin, et al.
Veröffentlicht: (2026)

An Examination on the Effectiveness of Divide-and-Conquer Prompting in Large Language Models
von: Zhang, Yizhou, et al.
Veröffentlicht: (2024)

Divide and Conquer: A Hybrid Strategy Defeats Multimodal Large Language Models
von: Mao, Yanxu, et al.
Veröffentlicht: (2024)

Knowing When to Stop: Efficient Context Processing via Latent Sufficiency Signals
von: Xie, Roy, et al.
Veröffentlicht: (2025)

Cobblestone: A Divide-and-Conquer Approach for Automating Formal Verification
von: Kasibatla, Saketh Ram, et al.
Veröffentlicht: (2024)

Evaluating Zero-Shot Long-Context LLM Compression
von: Wang, Chenyu, et al.
Veröffentlicht: (2024)

OmAgent: A Multi-modal Agent Framework for Complex Video Understanding with Task Divide-and-Conquer
von: Zhang, Lu, et al.
Veröffentlicht: (2024)

CDLM: Consistency Diffusion Language Models For Faster Sampling
von: Kim, Minseo, et al.
Veröffentlicht: (2025)

A Divide and Conquer Algorithm for Deciding Group Cellular Automata Dynamics
von: Castronuovo, Niccolo', et al.
Veröffentlicht: (2025)

LongRoPE2: Near-Lossless LLM Context Window Scaling
von: Shang, Ning, et al.
Veröffentlicht: (2025)

Does RAG Know When Retrieval Is Wrong? Diagnosing Context Compliance under Knowledge Conflict
von: Chen, Yihang, et al.
Veröffentlicht: (2026)