arXiv · cs.AI· Tianyi Huang, Eric Liu, Jay Chong, Emily Yin, Wanqi Zhao·· 5 小时前
LQET按证据来源更新语言模型信念，减少重复报告影响
Provenance-Aware Belief Updating in Human-AI Feedback Loops
arXiv:2610.13008v1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：Tianyi Huang, Eric Liu, Jay Chong, Emily Yin, Wanqi Zhao
研究任务与主要进展
Tianyi Huang等提出潜商证据训练（LQET），利用报告来源信息而非报告次数更新语言模型信念。相对仅按任务训练的Qwen3-4B和Phi-4-mini，LQET在一个受控二分类基准上将新增证据更新的RMSE降低41%—44%，并在八轮传播后将对数几率漂移降低89%—91%；每种骨干模型使用三个配对训练种子。
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