Buchumschlag

Models Can Model, But Can't Bind: Structured Grounding in Text-to-Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gao, Zhiqi, Ge, Albert, Berenbeim, Alexander, Bastian, Nathaniel D., Sala, Frederic
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Experimentation When You Can't Experiment
von: Zhao, Yao, et al.
Veröffentlicht: (2024)

LLMs Can't Plan, But Can Help Planning in LLM-Modulo Frameworks
von: Kambhampati, Subbarao, et al.
Veröffentlicht: (2024)

Puzzled by Puzzles: When Vision-Language Models Can't Take a Hint
von: Lee, Heekyung, et al.
Veröffentlicht: (2025)

Fine-Tuning Small Reasoning Models for Quantum Field Theory
von: Woodward, Nathaniel S., et al.
Veröffentlicht: (2026)

You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning
von: Yang, Tianmeng, et al.
Veröffentlicht: (2024)

Climbing the Ladder of Reasoning: What LLMs Can-and Still Can't-Solve after SFT?
von: Sun, Yiyou, et al.
Veröffentlicht: (2025)

Can't Remember Details in Long Documents? You Need Some R&R
von: Agrawal, Devanshu, et al.
Veröffentlicht: (2024)

Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check
von: Cho, Sungjun, et al.
Veröffentlicht: (2025)

Random Initialization Can't Catch Up: The Advantage of Language Model Transfer for Time Series Forecasting
von: Riachi, Roland, et al.
Veröffentlicht: (2025)

When Models Can't Follow: Testing Instruction Adherence Across 256 LLMs
von: Young, Richard J., et al.
Veröffentlicht: (2025)

The Implicit Bias of Structured State Space Models Can Be Poisoned With Clean Labels
von: Slutzky, Yonatan, et al.
Veröffentlicht: (2024)

Shadows Don't Lie and Lines Can't Bend! Generative Models don't know Projective Geometry...for now
von: Sarkar, Ayush, et al.
Veröffentlicht: (2023)

I Can't Believe It's Not Robust: Catastrophic Collapse of Safety Classifiers under Embedding Drift
von: Sahoo, Subramanyam, et al.
Veröffentlicht: (2026)

Learning What Reinforcement Learning Can't: Interleaved Online Fine-Tuning for Hardest Questions
von: Ma, Lu, et al.
Veröffentlicht: (2025)

Why Can't I See My Clusters? A Precision-Recall Approach to Dimensionality Reduction Validation
von: van der Hoorn, Diede P. M., et al.
Veröffentlicht: (2025)

Optimizing Prompt Sequences using Monte Carlo Tree Search for LLM-Based Optimization
von: Yu, Fei Xu, et al.
Veröffentlicht: (2025)

Why Can't Transformers Learn Multiplication? Reverse-Engineering Reveals Long-Range Dependency Pitfalls
von: Bai, Xiaoyan, et al.
Veröffentlicht: (2025)

Can AI Agents Agree?
von: Berdoz, Frédéric, et al.
Veröffentlicht: (2026)

Language Model Embeddings Can Be Sufficient for Bayesian Optimization
von: Nguyen, Tung, et al.
Veröffentlicht: (2024)

I Can't Believe It's Not Real: CV-MuSeNet: Complex-Valued Multi-Signal Segmentation
von: Shin, Sangwon, et al.
Veröffentlicht: (2025)

Your Teaching Can't Help
von: Rebecca Weaver
Veröffentlicht: (2024)

Expressivity-Efficiency Tradeoffs for Hybrid Sequence Models
von: Cooper, John, et al.
Veröffentlicht: (2026)

Can Large Language Models Reason and Optimize Under Constraints?
von: Bernier, Fabien, et al.
Veröffentlicht: (2026)

Can Watermarking Large Language Models Prevent Copyrighted Text Generation and Hide Training Data?
von: Panaitescu-Liess, Michael-Andrei, et al.
Veröffentlicht: (2024)

Even GPT-5.2 Can't Count to Five: The Case for Zero-Error Horizons in Trustworthy LLMs
von: Sato, Ryoma
Veröffentlicht: (2026)

A Design-based Solution for Causal Inference with Text: Can a Language Model Be Too Large?
von: Tierney, Graham, et al.
Veröffentlicht: (2025)

Zero-Shot Robustification of Zero-Shot Models
von: Adila, Dyah, et al.
Veröffentlicht: (2023)

Test-Time Scaling Makes Overtraining Compute-Optimal
von: Roberts, Nicholas, et al.
Veröffentlicht: (2026)

Can Graphs Improve Tabular Foundation Models?
von: Le, Franck, et al.
Veröffentlicht: (2025)

Can Large Reasoning Models Self-Train?
von: Shafayat, Sheikh, et al.
Veröffentlicht: (2025)

Model Sparsity Can Simplify Machine Unlearning
von: Jia, Jinghan, et al.
Veröffentlicht: (2023)

Johnny Still Can't Read
von: Melcher, Daniel
Veröffentlicht: (1973)

SparseSSM: Efficient Selective Structured State Space Models Can Be Pruned in One-Shot
von: Tuo, Kaiwen, et al.
Veröffentlicht: (2025)

Optimization Can Learn Johnson Lindenstrauss Embeddings
von: Tsikouras, Nikos, et al.
Veröffentlicht: (2024)

Can you Finetune your Binoculars? Embedding Text Watermarks into the Weights of Large Language Models
von: Elhassan, Fay, et al.
Veröffentlicht: (2025)

Interactive Critique-Revision Training for Reliable Structured LLM Generation
von: Yu, Fei Xu, et al.
Veröffentlicht: (2026)

Memorizing Long-tail Data Can Help Generalization Through Composition
von: Zhou, Mo, et al.
Veröffentlicht: (2025)

Can Muon Fine-tune Adam-Pretrained Models?
von: Qu, Xingyu, et al.
Veröffentlicht: (2026)

Tabular Foundation Models Can Do Survival Analysis
von: Kim, Da In, et al.
Veröffentlicht: (2026)

Frontier Models Can Take Actions at Low Probabilities
von: Serrano, Alex, et al.
Veröffentlicht: (2026)