本文介绍了RuleChef框架，该框架利用大型语言模型（LLM）生成可执行规则，用于文本分类、命名实体识别（NER）和关系抽取等NLP任务。规则基于任务描述和标注示例生成，并通过额外示例和人类反馈进行迭代改进。RuleChef还可利用已有模型的输入输出对来引导规则生成。LLM仅在学习时使用，用以综合和修正规则，最终产出快速、确定且可检视的规则系统。该框架已作为Apache 2.0开源软件发布，初步评估包括分类和NER任务。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：本文介绍了RuleChef框架，该框架利用大型语言模型（LLM）生成可执行规则，用于文本分类、命名实体识别（NER）和关系抽取等NLP任务。规则基于任务描述和标注示例生成，并通过额外示例和人类反馈进行迭代改进。RuleChef还可利用已有模型的输入输出对来引导规则生成。LLM仅在学习时使用，用以综合和修正规则，最终产出快速、确定且可检视的规则系统。该框架已作为Apache 2.0开源软件发布，初步评估包括分类和NER任务。
RuleChef通过将LLM的能力转化为人类可编辑的规则，实现了更透明、可控的NLP系统，有助于减少模型黑盒问题并提高系统可信度。结合人类反馈的迭代改进机制提升了规则的准确性和适应性。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
反事实解释通过识别最小输入变化来改变模型决策，但现有方法常产生不现实或不可行的建议。PACE框架结合神经预测模型和符号推理，显式考虑领域知识与干预限制，生成符合实际可行性的解释。此方法模型无关，适用于需真实决策支持的领域，在Adult Income数据集上的案例验证了其在有效性和合理性上的平衡，展示了神经符号方法在可解释AI中的潜力。
联邦学习（FL）研究涉及许多小但关键的算法设计选择，如优化器变体、服务器聚合规则、本地训练计划、归一化、正则化和模型架构。这些选择人工探索成本高且难以公平比较。本文提出Auto-FL-Research（AFR），一种受限编码代理工作流，用于自动搜索FL算法配方。代理可以提出并实现候选训练算法，同时任务配置限定变异范围、计算预算、通信协议和最终模型评估。AFR在多个医疗跨孤岛FLamby任务和LEAF数据集上进行评估，结果显示在多项任务和配置上获得提升，同时揭示了种子敏感性和单次运行的失败案例，展示了代理生成候选中反复出现的机制、固定范围调优影响和单次运行假象的区别。
本文介绍了Wiola，一种全新的小型语言模型（SLM）架构，完全创新设计，不继承GPT、LLaMA、Mistral或Falcon等现有模型的结构。Wiola引入了五个独立创新组件：一是螺旋旋转位置编码（SRPE），将绝对、相对和层级位置信号嵌入三维螺旋流形；二是门控跨层注意力（GCLA），实现解码器层间的软跨层关注；三是自适应词元合并（ATM），动态合并语义冗余相邻词元降低复杂度；四是双流前馈网络（DSFF），用两条并行流代替传统MLP，融合方式为学习的逐维门控；五是WiolaRMSNorm，一种带学习偏置的标准化方法防止表示坍塌。文章详述了数学推导、架构图、复杂度分析，并与GPT-2、LLaMA-2、Mistral系统比较。Wiola发布四个规模（1.2亿~15亿参数），完全兼容HuggingFace Transformers生态，22个架构单元测试全部通过。