Newest papers

How Depth Growth and Looping Shape In-Context Learning in Language Models

Ferdinand Kapl, Kaitlin Maile, Stefan Bauer, Johannes von Oswald · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31421 · open-access PDF

Portuguese

Modelos de linguagem curvados e profundamente cultivados reutilizam cálculos em profundidade e têm atraído interesse por suas capacidades de raciocínio. Com base em evidências anteriores sugestivas de aprendizagem melhorada em contexto (ICL), investigamos como tal reutilização favorece a ICL, incluindo como ela forma a aquisição, retenção e mecanismos desta capacidade. Nossa análise abrange modelos de linguagem pré-treinados até parâmetros 3B e tarefas controladas. Os experimentos fornecem evidências de um viés indutivo compartilhado em relação à aprendizagem a partir do contexto: modelos crescidos e curvados dependem mais de informações em contexto e, em comparação com uma tarefa completa.

Machine translation (Meta M2M100); the English original follows.

Abstract

Looped and depth-grown language models reuse computations across depth and have attracted interest for their reasoning capabilities. Building on prior suggestive evidence of improved in-context-learning (ICL), we investigate how such reuse favors ICL, including how it shapes the acquisition, retention, and mechanisms of this ability. Our analysis spans pretrained language models up to 3B parameters and controlled tasks. The experiments provide evidence for a shared inductive bias toward learning from context: grown and looped models rely more on information in context and, compared with a full

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange