Getting Your Indices in a Row: Full-Text Search for LLM Training Data for Real World

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Marinas, Ines Altemir, Kucherenko, Anastasiia, Sternfeld, Alexander, Kucharavy, Andrei
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

Going over Fine Web with a Fine-Tooth Comb: Technical Report of Indexing Fine Web for Problematic Content Search and Retrieval
von: Marinas, Inés Altemir, et al.
Veröffentlicht: (2025)

Low-Perplexity LLM-Generated Sequences and Where To Find Them
von: Wuhrmann, Arthur, et al.
Veröffentlicht: (2025)

TypePilot: Leveraging the Scala Type System for Secure LLM-generated Code
von: Sternfeld, Alexander, et al.
Veröffentlicht: (2025)

From Model to Breach: Towards Actionable LLM-Generated Vulnerabilities Reporting
von: Vallez, Cyril, et al.
Veröffentlicht: (2025)

Minimal Prompt Perturbations Lead to Code Vulnerabilities: Prompt Fragility and Hidden-State Signals in Coding LLMs
von: Sternfeld, Alexander, et al.
Veröffentlicht: (2026)

Monitoring Transformative Technological Convergence Through LLM-Extracted Semantic Entity Triple Graphs
von: Sternfeld, Alexander, et al.
Veröffentlicht: (2025)

LLM Detectors Still Fall Short of Real World: Case of LLM-Generated Short News-Like Posts
von: Gameiro, Henrique Da Silva, et al.
Veröffentlicht: (2024)

How to Get Your LLM to Generate Challenging Problems for Evaluation
von: Patel, Arkil, et al.
Veröffentlicht: (2025)

DetectRL-X: Towards Reliable Multilingual and Real-World LLM-Generated Text Detection
von: Wu, Junchao, et al.
Veröffentlicht: (2026)

Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls
von: Wang, Ante, et al.
Veröffentlicht: (2025)

DetectRL: Benchmarking LLM-Generated Text Detection in Real-World Scenarios
von: Wu, Junchao, et al.
Veröffentlicht: (2024)

Evaluating LLM Alignment on Personality Inference from Real-World Interview Data
von: Zhu, Jianfeng, et al.
Veröffentlicht: (2025)

WIKIGENBENCH: Exploring Full-length Wikipedia Generation under Real-World Scenario
von: Zhang, Jiebin, et al.
Veröffentlicht: (2024)

LLM-to-Speech: A Synthetic Data Pipeline for Training Dialectal Text-to-Speech Models
von: Khamis, Ahmed Khaled, et al.
Veröffentlicht: (2026)

Who Gets the Reward, Who Gets the Blame? Evaluation-Aligned Training Signals for Multi-LLM Agents
von: Yang, Chih-Hsuan, et al.
Veröffentlicht: (2025)

Retracing the Past: LLMs Emit Training Data When They Get Lost
von: Ko, Myeongseob, et al.
Veröffentlicht: (2025)

SearchLLM: Detecting LLM Paraphrased Text by Measuring the Similarity with Regeneration of the Candidate Source via Search Engine
von: Nguyen-Son, Hoang-Quoc, et al.
Veröffentlicht: (2026)

Perturb Your Data: Paraphrase-Guided Training Data Watermarking
von: Shetty, Pranav, et al.
Veröffentlicht: (2025)

Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data
von: Wang, Haonan, et al.
Veröffentlicht: (2023)

How to Train Your Latent Diffusion Language Model Jointly With the Latent Space
von: Meshchaninov, Viacheslav, et al.
Veröffentlicht: (2026)

How to Train Your Deep Research Agent? Prompt, Reward, and Policy Optimization in Search-R1
von: Xu, Yinuo, et al.
Veröffentlicht: (2026)

Who Gets Which Message? Auditing Demographic Bias in LLM-Generated Targeted Text
von: Islam, Tunazzina
Veröffentlicht: (2026)

Crown, Frame, Reverse: Layer-Wise Scaling Variants for LLM Pre-Training
von: Baroian, Andrei, et al.
Veröffentlicht: (2025)

Take Out Your Calculators: Estimating the Real Difficulty of Question Items with LLM Student Simulations
von: Acquaye, Christabel, et al.
Veröffentlicht: (2026)

Rep2Text: Decoding Full Text from a Single LLM Token Representation
von: Zhao, Haiyan, et al.
Veröffentlicht: (2025)

DV-World: Benchmarking Data Visualization Agents in Real-World Scenarios
von: Meng, Jinxiang, et al.
Veröffentlicht: (2026)

How "Real" is Your Real-Time Simultaneous Speech-to-Text Translation System?
von: Papi, Sara, et al.
Veröffentlicht: (2024)

Using Natural Language Processing to find Indication for Burnout with Text Classification: From Online Data to Real-World Data
von: Kurpicz-Briki, Mascha, et al.
Veröffentlicht: (2024)

Small Language Models in the Real World: Insights from Industrial Text Classification
von: Li, Lujun, et al.
Veröffentlicht: (2025)

A Comprehensive Survey in LLM(-Agent) Full Stack Safety: Data, Training and Deployment
von: Wang, Kun, et al.
Veröffentlicht: (2025)

Is Your Paper Being Reviewed by an LLM? Benchmarking AI Text Detection in Peer Review
von: Yu, Sungduk, et al.
Veröffentlicht: (2025)

Is Your Paper Being Reviewed by an LLM? Investigating AI Text Detectability in Peer Review
von: Yu, Sungduk, et al.
Veröffentlicht: (2024)

Teaching People LLM's Errors and Getting it Right
von: Stringham, Nathan, et al.
Veröffentlicht: (2025)

BPE Gets Picky: Efficient Vocabulary Refinement During Tokenizer Training
von: Chizhov, Pavel, et al.
Veröffentlicht: (2024)

Deep Anomaly Detection in Text
von: Manolache, Andrei
Veröffentlicht: (2023)

Syntriever: How to Train Your Retriever with Synthetic Data from LLMs
von: Kim, Minsang, et al.
Veröffentlicht: (2025)

Squrve: A Unified and Modular Framework for Complex Real-World Text-to-SQL Tasks
von: Wang, Yihan, et al.
Veröffentlicht: (2025)

Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw
von: Wang, Zijun, et al.
Veröffentlicht: (2026)

FastDraft: How to Train Your Draft
von: Zafrir, Ofir, et al.
Veröffentlicht: (2024)

Training-free LLM-generated Text Detection by Mining Token Probability Sequences
von: Xu, Yihuai, et al.
Veröffentlicht: (2024)