Buchumschlag

QV May Be Enough: Toward the Essence of Attention in LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Edward, Zhang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Greedy Is Enough: Sparse Action Discovery in Agentic LLMs
von: Majumdar, Angshul
Veröffentlicht: (2026)

Linear Attention is Enough in Spatial-Temporal Forecasting
von: Ning, Xinyu
Veröffentlicht: (2024)

Fitting Is Not Enough: Smoothness in Extremely Quantized LLMs
von: Xu, Yuzhuang, et al.
Veröffentlicht: (2026)

Reward Is Enough: LLMs Are In-Context Reinforcement Learners
von: Song, Kefan, et al.
Veröffentlicht: (2025)

On the Essence and Prospect: An Investigation of Alignment Approaches for Big Models
von: Wang, Xinpeng, et al.
Veröffentlicht: (2024)

SEUF: Is Unlearning One Expert Enough for Mixture-of-Experts LLMs?
von: Zhuang, Haomin, et al.
Veröffentlicht: (2024)

Automatic Feature Learning for Essence: a Case Study on Car Sequencing
von: Pellegrino, Alessio, et al.
Veröffentlicht: (2024)

Reasoning Isn't Enough: Examining Truth-Bias and Sycophancy in LLMs
von: Barkett, Emilio, et al.
Veröffentlicht: (2025)

Distilling the Essence: Efficient Reasoning Distillation via Sequence Truncation
von: Chen, Wei-Rui, et al.
Veröffentlicht: (2025)

Automating Reformulation of Essence Specifications via Graph Rewriting
von: Miguel, Ian, et al.
Veröffentlicht: (2024)

Toward Better EHR Reasoning in LLMs: Reinforcement Learning with Expert Attention Guidance
von: Fang, Yue, et al.
Veröffentlicht: (2025)

When Is Enough Not Enough? Illusory Completion in Search Agents
von: Ko, Dayoon, et al.
Veröffentlicht: (2026)

Attention's Gravitational Field:A Power-Law Interpretation of Positional Correlation
von: Zhang, Edward
Veröffentlicht: (2026)

Enough Coin Flips Can Make LLMs Act Bayesian
von: Gupta, Ritwik, et al.
Veröffentlicht: (2025)

When Looking Is Not Enough: Visual Attention Structure Reveals Hallucination in MLLMs
von: Cao, Fanpu, et al.
Veröffentlicht: (2026)

The Essence of Contextual Understanding in Theory of Mind: A Study on Question Answering with Story Characters
von: Zhou, Chulun, et al.
Veröffentlicht: (2025)

In-House Evaluation Is Not Enough: Towards Robust Third-Party Flaw Disclosure for General-Purpose AI
von: Longpre, Shayne, et al.
Veröffentlicht: (2025)

Take its Essence, Discard its Dross! Debiasing for Toxic Language Detection via Counterfactual Causal Effect
von: Lu, Junyu, et al.
Veröffentlicht: (2024)

How Many Experts Are Enough? Towards Optimal Semantic Specialization for Mixture-of-Experts
von: Park, Sumin, et al.
Veröffentlicht: (2025)

The Gatekeeper Knows Enough
von: Abebayew, Fikresilase Wondmeneh
Veröffentlicht: (2025)

Is Distance Matrix Enough for Geometric Deep Learning?
von: Li, Zian, et al.
Veröffentlicht: (2023)

Single Ground Truth Is Not Enough: Adding Flexibility to Aspect-Based Sentiment Analysis Evaluation
von: Yang, Soyoung, et al.
Veröffentlicht: (2024)

Integrate the Essence and Eliminate the Dross: Fine-Grained Self-Consistency for Free-Form Language Generation
von: Wang, Xinglin, et al.
Veröffentlicht: (2024)

Chat-Based Support Alone May Not Be Enough: Comparing Conversational and Embedded LLM Feedback for Mathematical Proof Learning
von: Chen, Eason, et al.
Veröffentlicht: (2026)

Screening Is Enough
von: Nakanishi, Ken M.
Veröffentlicht: (2026)

LLMs May Perform MCQA by Selecting the Least Incorrect Option
von: Wang, Haochun, et al.
Veröffentlicht: (2024)

Towards Economical Inference: Enabling DeepSeek's Multi-Head Latent Attention in Any Transformer-based LLMs
von: Ji, Tao, et al.
Veröffentlicht: (2025)

Unlocking the Essence of Beauty: Advanced Aesthetic Reasoning with Relative-Absolute Policy Optimization
von: Liu, Boyang, et al.
Veröffentlicht: (2025)

Asking Is Not Enough: Protocol Sensitivity in LLM Confidence Calibration
von: Kim, Hankyeol, et al.
Veröffentlicht: (2026)

Are LLMs Enough for Hyperpartisan, Fake, Polarized and Harmful Content Detection? Evaluating In-Context Learning vs. Fine-Tuning
von: Maggini, Michele Joshua, et al.
Veröffentlicht: (2025)

SLASH the Sink: Sharpening Structural Attention Inside LLMs
von: Liu, Yiming, et al.
Veröffentlicht: (2026)

Agents Are Not Enough
von: Shah, Chirag, et al.
Veröffentlicht: (2024)

State Rank Dynamics in Linear Attention LLMs
von: Sun, Ao, et al.
Veröffentlicht: (2026)

Softmax is not Enough (for Adaptive Conformal Classification)
von: Attar, Navid Akhavan, et al.
Veröffentlicht: (2026)

When Can Model-Free Reinforcement Learning be Enough for Thinking?
von: Hanna, Josiah P., et al.
Veröffentlicht: (2025)

Is Implicit Knowledge Enough for LLMs? A RAG Approach for Tree-based Structures
von: Gupte, Mihir, et al.
Veröffentlicht: (2025)

The Morality of Probability: How Implicit Moral Biases in LLMs May Shape the Future of Human-AI Symbiosis
von: O'Doherty, Eoin, et al.
Veröffentlicht: (2025)

Weight Patching: Toward Source-Level Mechanistic Localization in LLMs
von: Sun, Chenghao, et al.
Veröffentlicht: (2026)

Learning to Decide with Just Enough: Information-Theoretic Context Summarization for CMDPs
von: Liu, Peidong, et al.
Veröffentlicht: (2025)

When Alignment Isn't Enough: Response-Path Attacks on LLM Agents
von: Luo, Mingyu, et al.
Veröffentlicht: (2026)