FACEMIND RESEARCH

研究中心
LLM 前沿·顶会发表

FaceMind 持续探索 LLM 前沿：从基础规律的发现，到训练数据的去污染，再到评测体系的革新。我们的成果已在 ACL、NAACL、EMNLP 等顶级会议发表。

查看 Adam's Law 详情 世界模型 · 即将发布
FaceMind
FaceMind Research · LLM 前沿论文与学术成果
FLAGSHIP · ACL 2026

Adam's Law
Textual Frequency Law on LLMs

FaceMind 与香港中文大学合作的旗舰研究。我们提出"文本频率定律"，并构建了由 TFL / TFD / CTFT / TFPD 四部分组成的频率感知技术栈，为提示工程与模型对齐提供全新视角。

阅读研究详情 → PDF 全文
CORE INSIGHT
P(freq(x)) ↑ ⟹ Acc(LLM, x) ↑
语义不变前提下，更高频的表达形式能显著提升大模型在下游任务上的准确率。

全部论文

ACL 2026 Main Conference arXiv:2604.02176

Adam's Law: Textual Frequency Law on Large Language Models

FaceMind Corporation · The Chinese University of Hong Kong

虽然文本频率已被验证与人类阅读速度等认知活动密切相关，其与大语言模型的关系却鲜被研究。我们首创"文本频率定律"，并构建了 TFL / TFD / CTFT / TFPD 四大频率感知技术栈，让 LLM 在提问、训练与系统设计上全面表现更好。

查看详情 📄 PDF 📘 路线图
PUBLISHED IN
ACL 2026
Main Conference · 2026
核心贡献 首创文本频率定律（TFL），及四大频率感知技术栈，撬动千亿级大模型经济。
Findings of EMNLP 2025 contamination · evaluation

LNE-Blocking: An Efficient Framework for Contamination Mitigation Evaluation on Large Language Models

FaceMind Corporation · Zhejiang University · University of Zurich · The Chinese University of Hong Kong · Westlake University

数据污染问题在 LLM 开发中几乎不可避免，训练数据常无意中包含评测基准，使得公平评测变得困难。我们不去构造无污染数据集（极为困难），而是提出 LNE-Blocking 框架：通过"污染检测 + 干扰操作"两部分，在可能泄露的数据集上恢复模型在被污染之前的真实表现。

📄 PDF 全文
PUBLISHED IN
EMNLP 2025
Findings · 2025
核心贡献 首个面向"数据污染缓解评测"的高效框架，让被污染的 LLM 也能被公平评测。
Findings of NAACL 2024 contamination · paraphrase

Clean-Eval: Clean Evaluation on Contaminated Large Language Models

FaceMind Corporation · Shanghai Jiao Tong University · Tsinghua University · University of Edinburgh

在 LLM 激烈竞争、不断刷新榜单成绩的时代，数据污染让真实评估变得困难。我们提出 Clean-Eval：使用神经模型对受污染的数据进行复述与回译，得到语义相同但表达不同的候选集，从而以更"干净"的方式评测 LLM 的真实能力。

📄 PDF 全文
PUBLISHED IN
NAACL 2024
Findings · 2024
核心贡献 通过复述与回译生成等价候选，缓解评测数据污染，被广泛引用的早期工作。