UPTURN论文提出学习干预位置的LLM自纠错框架
热点事件持续更新
UPTURN论文提出学习干预位置的LLM自纠错框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
韩国科技院校研究者（Jiwon Jeon等四人）发布arXiv论文，提出无需微调大语言模型的自纠错框架UPTURN：训练一个基于冻结编码器的130K参数MLP头，仅用最终答案正确性学习在推理失败后插入新用户轮次的位置；保留选定前缀，将指令作为新用户轮次注入后重新生成后缀。 据论文摘要，在四类推理器和六个数学基准上，UPTURN在所有设置下平均准确率均优于32次rollout基线，且无需重训即可迁移到GPQA-Diamond。目前仅有论文摘要证据，尚未见独立复现。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
UPTURN通过学习干预位置改进大语言模型推理自纠错报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · cs.AIUPTURN通过学习干预位置改进大语言模型推理自纠错
UPTURN通过学习在推理失败后插入用户轮次的位置，在不微调大语言模型的情况下改进自纠错。该方法用130K参数的MLP头和冻结编码器，仅依据最终答案正确性选择干预位置，保留前缀并将指令作为新用户轮次注入后重新生成后缀；基于论文摘要，在四类推理器和六个数学基准上均优于32-rollout基线，并可无需重训迁移至GPQA-Diamond。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月12日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。