Buchumschlag

LinguaMap: Which Layers of LLMs Speak Your Language and How to Tune Them?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tamo, J. Ben, Carlander-Reuterfelt, Daniel, Rubin, Jonathan, Hong, Dezhi, Wang, Mingxian, Poliannikov, Oleg
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fantastic Semantics and Where to Find Them: Investigating Which Layers of Generative LLMs Reflect Lexical Semantics
von: Liu, Zhu, et al.
Veröffentlicht: (2024)

Positional Cognitive Specialization: Where Do LLMs Learn To Comprehend and Speak Your Language?
von: Salim, Luis Frentzen, et al.
Veröffentlicht: (2026)

Mirror, Mirror on the Wall -- Which is the Best Model of Them All?
von: Sayed, Dina, et al.
Veröffentlicht: (2025)

African Literacies: Which of Them Matter, and Why?
von: Parry, Kate
Veröffentlicht: (2010)

BYOL: Bring Your Own Language Into LLMs
von: Zamir, Syed Waqas, et al.
Veröffentlicht: (2026)

Speaking Your Language: Spatial Relationships in Interpretable Emergent Communication
von: Lipinski, Olaf, et al.
Veröffentlicht: (2024)

How Tokenization Limits Phonological Knowledge Representation in Language Models and How to Improve Them
von: Liao, Disen, et al.
Veröffentlicht: (2026)

Retrieval-Pretrained Transformer: Long-range Language Modeling with Self-retrieval
von: Rubin, Ohad, et al.
Veröffentlicht: (2023)

How Johnny Can Persuade LLMs to Jailbreak Them: Rethinking Persuasion to Challenge AI Safety by Humanizing LLMs
von: Zeng, Yi, et al.
Veröffentlicht: (2024)

Can LLMs Speak For Diverse People? Tuning LLMs via Debate to Generate Controllable Controversial Statements
von: Li, Ming, et al.
Veröffentlicht: (2024)

Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference
von: Finkelshtein, Ben, et al.
Veröffentlicht: (2025)

A Single Layer to Explain Them All:Understanding Massive Activations in Large Language Models
von: Shi, Zeru, et al.
Veröffentlicht: (2026)

LLMs for Doctors: Leveraging Medical LLMs to Assist Doctors, Not Replace Them
von: Xie, Wenya, et al.
Veröffentlicht: (2024)

How Do Your Code LLMs Perform? Empowering Code Instruction Tuning with High-Quality Data
von: Wang, Yejie, et al.
Veröffentlicht: (2024)

LinguaLIFT: An Effective Two-stage Instruction Tuning Framework for Low-Resource Language Reasoning
von: Zhang, Hongbin, et al.
Veröffentlicht: (2024)

Conversations: Love Them, Hate Them, Steer Them
von: Chebrolu, Niranjan, et al.
Veröffentlicht: (2025)

LinguaMark: Do Multimodal Models Speak Fairly? A Benchmark-Based Evaluation
von: Raval, Ananya, et al.
Veröffentlicht: (2025)

Cash or Comfort? How LLMs Value Your Inconvenience
von: Cedro, Mateusz, et al.
Veröffentlicht: (2025)

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

Which Demographics do LLMs Default to During Annotation?
von: Schäfer, Johannes, et al.
Veröffentlicht: (2024)

EvidenceRL: Reinforcing Evidence Consistency for Trustworthy Language Models
von: Tamo, J. Ben, et al.
Veröffentlicht: (2026)

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

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

Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI
von: Sett, Arindam, et al.
Veröffentlicht: (2024)

Rule or Story, Which is a Better Commonsense Expression for Talking with Large Language Models?
von: Bian, Ning, et al.
Veröffentlicht: (2024)

Do LLMs Recognize Your Preferences? Evaluating Personalized Preference Following in LLMs
von: Zhao, Siyan, et al.
Veröffentlicht: (2025)

Beware of Your Po! Measuring and Mitigating AI Safety Risks in Role-Play Fine-Tuning of LLMs
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

Barriers to Universal Reasoning With Transformers (And How to Overcome Them)
von: Kraus, Oliver, et al.
Veröffentlicht: (2026)

One Prompt To Rule Them All: LLMs for Opinion Summary Evaluation
von: Siledar, Tejpalsingh, et al.
Veröffentlicht: (2024)

Which Language Lab To Do What?
von: Plastre, Guy
Veröffentlicht: (1968)

Which course? Discourse! Teaching Discourse and Generation in the Era of LLMs
von: Li, Junyi Jessy, et al.
Veröffentlicht: (2026)

Fine-Tune, Don't Prompt, Your Language Model to Identify Biased Language in Clinical Notes
von: Landi, Isotta, et al.
Veröffentlicht: (2026)

RLHF Can Speak Many Languages: Unlocking Multilingual Preference Optimization for LLMs
von: Dang, John, et al.
Veröffentlicht: (2024)

SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From
von: Tong, Yao, et al.
Veröffentlicht: (2025)

How Much of Your Data Can Suck? Thresholds for Domain Performance and Emergent Misalignment in LLMs
von: Ouyang, Jian, et al.
Veröffentlicht: (2025)

StyleBench: Evaluating Speech Language Models on Conversational Speaking Style Control
von: Zhao, Haishu, et al.
Veröffentlicht: (2026)

How Reliable Are Automatic Evaluation Methods for Instruction-Tuned LLMs?
von: Doostmohammadi, Ehsan, et al.
Veröffentlicht: (2024)

Teaching LLMs How to Learn with Contextual Fine-Tuning
von: Choi, Younwoo, et al.
Veröffentlicht: (2025)

Let LLMs Speak Embedding Languages: Generative Text Embeddings via Iterative Contrastive Refinement
von: Tsai, Yu-Che, et al.
Veröffentlicht: (2025)

Monolingual or Multilingual Instruction Tuning: Which Makes a Better Alpaca
von: Chen, Pinzhen, et al.
Veröffentlicht: (2023)