כתבה arXiv cs.CL · 8 באוקטובר 2026

המיפוי של נושאים רב-תווים דרך תרגום LLM: השוואה נרחבת של דגמי תלמידים גנרטיביים ודיסקרימינטיביים

Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models

במאמר זה, נבחן את יעילות של דגמי תלמידים גנרטיביים ודיסקרימינטיביים למיפוי של נושאים רב-תווים דרך תרגום LLM. נמצא כי דגמי תלמידים גנרטיביים עולים על דגמי תלמידים דיסקרימינטיביים במקרים מסוימים.

תקציר מקורי באנגליתarXiv:2610.09063v1 Announce Type: cross Abstract: Multi-label topic assignment for user-generated content (UGC) -- including product reviews and buyer-seller conversations -- poses unique scalability challenges in large-scale e-commerce due to informal language, extreme label sparsity, and rapidly evolving taxonomies. While utilizing Large Language Models (LLMs) as labeling oracles to distill ground-truth data has emerged as an industry standard to bypass prohibitive manual annotation costs, determining the optimal, low-latency architecture for the resulting student models remains an open challenge. To address this, we conduct a comprehensive evaluation across Small Language Model (SLM) parameter scales (1B, 4B, and 8B) and architectural paradigms (causal generative versus bidirectional di

קרא במקור המקורי

arxiv.org פתח כתבה מקורית

#rag #fine-tuning #rlhf #long-context #langchain #autogen #research #architecture #oss_llm #general

המיפוי של נושאים רב-תווים דרך תרגום LLM: השוואה נרחבת של דגמי תלמידים גנרטיביים ודיסקרימינטיביים

כתבות קשורות