긴 문맥을 읽는 인공지능(AI)는 가운데 근거도 똑같이 찾을까?
긴 문맥 모델도 근거 위치에 따라 성능이 달라졌습니다. 문서 수와 위치를 바꾸는 교육 모형으로 강건성을 점검합니다.
Lost in the Middle: How Language Models Use Long Contexts
연구와 학습, 시험과 도서를 한곳에서 찾습니다.
검색 결과마다 자료의 코너와 성격을 표시합니다. 제목을 먼저 살펴보고 그림 카드와 기존 본문으로 이어 가세요.

관심 주제로 찾아보기
긴 문맥 모델도 근거 위치에 따라 성능이 달라졌습니다. 문서 수와 위치를 바꾸는 교육 모형으로 강건성을 점검합니다.
Lost in the Middle: How Language Models Use Long Contexts
막대그래프와 선그래프가 각각 분리된 비교와 연속적 추세를 암시한다는 세 실험을 읽고, 질문의 구조에 맞는 시각 부호를 선택합니다.
Bars and Lines: A Study of Graphic Communication
Slamecka와 Graf의 다섯 실험을 통해 단어를 스스로 생성한 조건이 읽기 조건보다 이후 자유회상과 재인에서 우세했던 생성효과와 그 경계를 살펴봅니다.
The generation effect: Delineation of a phenomenon
긴 문맥 처리 연구는 입력 길이와 실제 정보 활용을 구별합니다. 같은 근거의 위치를 바꾸는 평가가 왜 필요한지 살펴봅니다.
Lost in the Middle: How Language Models Use Long Contexts
NaturalProver는 배경 정리와 정의를 조건으로 자연어 증명 단계를 생성해 사람 평가를 개선했지만, 형식 검사기가 없는 자연어 증명은 여전히 인간 검토가 필요했습니다.
NaturalProver: Grounded Mathematical Proof Generation With Language Models
1–5 / 13편