arXiv · cs.AI· Donghwan Kim·· 11 小时前
LLM 集成增益来自哪里？分解候选价值、多样性与聚合
Where Do LLM Ensemble Gains Come From? Decomposing Candidate Value, Diversity, and Aggregation
arXiv:2610.18786v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Donghwan Kim
研究任务与主要进展
基于论文摘要，研究分析了 LLM 集成中候选增益对参考控制的依赖，并将整体候选增益（CIV）分解为新增候选差异（DSV）和候选上下文差异（CCV）。在 MultiHopRAG 模型多样性任务（k=2）中，重复差距为 -8.33 个百分点；在 FRAMES 更强面板扩展（n=200、k=3、聚合输出上限4096）中，配对差距为 +9.67 个百分点，且不同面板内符号发生变化。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org