一种基于移除的方法，以提高LLM在测试时的准确性
本文提出一种在测试阶段通过移除模型解释中未提及的概念来直接解决大语言模型（LLMs）解释不完整问题的新方法。该方法从输入中剔除未被解释引用的概念并重新查询模型，从而消除未提及的影响因素同时保留已提及概念的影响力。实验表明，该方法在两个数据集、多种模型族及两项独立忠实度指标上，均优于标准提示和旨在鼓励忠实度的提示方法。此方法具有模型无关性，可在推理时应用而无需修改模型参数，为降低隐藏影响并提升 LLM 辅助决策的可靠性与安全性提供了灵活机制。
摘要由 AI 生成
针对大语言模型（LLMs）解释不完整的问题，研究人员提出一种基于移除的新方法。该方法在测试阶段运行，通过从输入中剔除未被模型解释引用的概念并重新查询模型，旨在消除未提及因素的影响同时保留已提及概念的影响力。实验表明，该方法在两个数据集、多种模型族及两项独立忠实度指标上的表现均优于标准提示和现有的鼓励忠实度的提示方法。此方法具有模型无关性，可在推理时应用而无需修改模型参数，为提升大语言模型辅助决策的可靠性与安全性提供了灵活机制。
相关事件RELATED EVENTS
关键实体KEY ENTITIES
LLM
事件框架EVENT FRAME
产品发布
arXiv:2609.04343v1 test-time approach 提出基于移除的测试时方法提升 LLM 忠实度
信号强度SIGNALS
关键词热度