Buchumschlag

Synthetic Rewriting as a Quality Multiplier: Evidence from Portuguese Continued Pretraining

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Almeida, Thales Sales, Nogueira, Rodrigo, Pedrini, Hélio
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Building High-Quality Datasets for Portuguese LLMs: From Common Crawl Snapshots to Industrial-Grade Corpora
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

Curió-Edu 7B: Examining Data Selection Impacts in LLM Continued Pretraining
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

PoETa v2: Toward More Robust Evaluation of Large Language Models in Portuguese
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

Sabiá-2: A New Generation of Portuguese Large Language Models
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2024)

BRoverbs -- Measuring how much LLMs understand Portuguese proverbs
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

Measuring Cross-lingual Transfer in Bytes
von: de Souza, Leandro Rodrigues, et al.
Veröffentlicht: (2024)

CAPITU: A Benchmark for Evaluating Instruction-Following in Brazilian Portuguese with Literary Context
von: Bonás, Giovana Kerche, et al.
Veröffentlicht: (2026)

ptt5-v2: A Closer Look at Continued Pretraining of T5 Models for the Portuguese Language
von: Piau, Marcos, et al.
Veröffentlicht: (2024)

Prosa: Rubric-Based Evaluation of LLMs on Real User Chats in Brazilian Portuguese
von: Junior, Roseval Malaquias, et al.
Veröffentlicht: (2026)

Comparing Knowledge Injection Methods for LLMs in a Low-Resource Regime
von: Abonizio, Hugo, et al.
Veröffentlicht: (2025)

TiEBe: Tracking Language Model Recall of Notable Worldwide Events Through Time
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

SurveySum: A Dataset for Summarizing Multiple Scientific Articles into a Survey Section
von: Fernandes, Leandro Carísio, et al.
Veröffentlicht: (2024)

The interplay between domain specialization and model size
von: Junior, Roseval Malaquias, et al.
Veröffentlicht: (2025)

Sabiá-3 Technical Report
von: Abonizio, Hugo, et al.
Veröffentlicht: (2024)

MARCA: A Checklist-Based Benchmark for Multilingual Web Search
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2026)

Sabiá-4 Technical Report
von: Laitz, Thiago, et al.
Veröffentlicht: (2026)

BLUEX Revisited: Enhancing Benchmark Coverage with Automatic Captioning
von: Santos, João Guilherme Alves, et al.
Veröffentlicht: (2025)

Ticket-Bench: A Kickoff for Multilingual and Regionalized Agent Evaluation
von: Almeida, Thales Sales, et al.
Veröffentlicht: (2025)

Continual Pretraining on Encrypted Synthetic Data for Privacy-Preserving LLMs
von: Liu, Honghao, et al.
Veröffentlicht: (2026)

Measuring Opinion Bias and Sycophancy via LLM-based Persuasion
von: Nogueira, Rodrigo, et al.
Veröffentlicht: (2026)

LLM-Based Persuasion Enables Guardrail Override in Frontier LLMs
von: Nogueira, Rodrigo, et al.
Veröffentlicht: (2026)

Magis-Bench: Evaluating LLMs on Magistrate-Level Legal Tasks
von: Pires, Ramon, et al.
Veröffentlicht: (2026)

Predictive Authoring for Brazilian Portuguese Augmentative and Alternative Communication
von: Pereira, Jayr, et al.
Veröffentlicht: (2023)

Mining Hidden Thoughts from Texts: Evaluating Continual Pretraining with Synthetic Data for LLM Reasoning
von: Ishibashi, Yoichi, et al.
Veröffentlicht: (2025)

Towards High-Fidelity Synthetic Multi-platform Social Media Datasets via Large Language Models
von: Tari, Henry, et al.
Veröffentlicht: (2025)

Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers
von: Zhang, Tianhua, et al.
Veröffentlicht: (2024)

Rewrite-to-Rank: Optimizing Ad Visibility via Retrieval-Aware Text Rewriting
von: Ho, Chloe, et al.
Veröffentlicht: (2025)

ManufactuBERT: Efficient Continual Pretraining for Manufacturing
von: Armingaud, Robin, et al.
Veröffentlicht: (2025)

PICOs-RAG: PICO-supported Query Rewriting for Retrieval-Augmented Generation in Evidence-Based Medicine
von: Sun, Mengzhou, et al.
Veröffentlicht: (2025)

LLM Pretraining with Continuous Concepts
von: Tack, Jihoon, et al.
Veröffentlicht: (2025)

InstaSynth: Opportunities and Challenges in Generating Synthetic Instagram Data with ChatGPT for Sponsored Content Detection
von: Bertaglia, Thales, et al.
Veröffentlicht: (2024)

Does Continued Pretraining on a Learner Corpus Improve Automated Essay Scoring on English Proficiency Tests? Evidence from EFCAMDAT
von: Nguyen, Duy Anh
Veröffentlicht: (2026)

ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs
von: Ferraretto, Fernando, et al.
Veröffentlicht: (2024)

Can Synthetic Query Rewrites Capture User Intent Better than Humans in Retrieval-Augmented Generation?
von: Zheng, JiaYing, et al.
Veröffentlicht: (2025)

BeyondWeb: Lessons from Scaling Synthetic Data for Trillion-scale Pretraining
von: DatologyAI, et al.
Veröffentlicht: (2025)

Yet another algorithmic bias: A Discursive Analysis of Large Language Models Reinforcing Dominant Discourses on Gender and Race
von: Bonil, Gustavo, et al.
Veröffentlicht: (2025)

Enhancing Portuguese Variety Identification with Cross-Domain Approaches
von: Sousa, Hugo, et al.
Veröffentlicht: (2025)

LinGO: A Linguistic Graph Optimization Framework with LLMs for Interpreting Intents of Online Uncivil Discourse
von: Zhang, Yuan, et al.
Veröffentlicht: (2026)

Investigating Continual Pretraining in Large Language Models: Insights and Implications
von: Yıldız, Çağatay, et al.
Veröffentlicht: (2024)

Improving Romanian LLM Pretraining Data using Diversity and Quality Filtering
von: Negoita, Vlad, et al.
Veröffentlicht: (2025)