paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
TS

Till Speicher

ACL 2026评测与基准理论与学习动力学强化学习与后训练
新星分贡献者
22
一作贡献0
核心/参与5
方向广度6
合作网络3
0 一作 · 1 篇 · ACL 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

1
作者位次 #3/8ACL 2026Poster· Natural Language Processing

Fine-tuning vs. In-context Learning in Large Language Models: A Formal Language Learning Perspective

Bishwamittra Ghosh · Soumi Das · Till Speicher · Qinyuan Wu · Mohammad Aflah Khan · Deepak Garg · Krishna P. Gummadi · Evimaria Terzi

摘要

Large language models (LLMs) operate in two fundamental learning modes – fine-tuning (FT) and in-context learning (ICL) – raising key questions about which mode yields greater language proficiency and whether they differ in their inductive biases. Prior studies comparing FT and ICL have yielded m...

评测与基准理论与学习动力学强化学习与后训练OpenReview 项目页

常见合作者