DAST: Difficulty-Adaptive Slow-Thinking for Large Reasoning Models
1Citations signalées — pas une note de qualité
1Institutions déclarées
1Pays d’affiliation déclarés
Résumé fourni par la source
Yi Shen, Jian Zhang, Jieyun Huang, Shuming Shi, Wenjing Zhang, Jiangze Yan, Ning Wang, Kai Wang, Zhaoxiang Liu, Shiguo Lian. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track. 2025.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- DAST: Difficulty-Adaptive Slow-Thinking for Large Reasoning Models
- Date Crossref
- 01/01/2025
- Éditeur
- Association for Computational Linguistics
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Sujets associés
Topic ModelingMultimodal Machine Learning ApplicationsSentiment Analysis and Opinion Mining