EMNLP

Most Transformer Modifications Still Do Not Transfer at 1-3B: A 2020-2026 Update to Narang et al. (2021) with Downstream Evaluation and a Noise Floor

大多数变换器修改仍无法在1-3B规模上迁移：对Narang等人（2021）的2020-2026年更新，包含下游评估和噪声底限

Yang Zhao, Jiahao Lu, Bin Huang, Guhua Zhang, Jie Zhou

机构 * Tencent（腾讯） 纠错

AI总结 本文在1-3B参数规模下，大多数变换器修改仍无法迁移，通过严格的等数据、等计算、等配方控制测试，并结合下游评估和噪声底限进行验证。

Comments 19 pages, 3 figures, under review at EMNLP 2026

When Reasoning Supervision Hurts: TTCW-Based Long-Form Literary Review Generation

推理监督有害：基于TTCW的长文本文学评论生成

Jinlong Liu, Mohammed Bahja, Mark Lee

机构 * School of Computer Science, University of Birmingham, United Kingdom（英国伯明翰大学计算机科学学院） 纠错

AI总结 本文提出了一种基于TTCW的长文本文学评论生成方法，通过构建包含263911个长文本故事的数据集，每个故事都标注了14个TTCW维度的评分和元合成评论。实验发现，非推理微调在性能和稳定性上更优，而推理监督模型更易出现解析失败，导致生成无关或重复的推理文本，表明在固定格式评分标准下，推理监督并不总是有益的。

Comments Submit to EMNLP 2026