大型语言模型中的证据整合
一项关于大语言模型证据整合的研究提出分布论，证实候选项概率越高越具说服力、接收者更易整合自身特征错误且相同证据对强弱模型影响不同。该研究基于十亿次试验及十二个来自四个家族的大语言模型，在量子力学、物理学等八个领域验证了理论预测，并发现接收者一致性错误会显著降低性能。实验表明，大语言模型会在内部验证无效后仍整合候选项（命题约束下 93-100%，物理与生命科学推理中高达 99.4%），证明这是由接收者属性决定的特定控制策略。因果干预显示候选项整合在网络后期以结构化步骤实现，而验证表征虽可解码但对答案影响甚微。