SemTree提出语义决策树框架，规则决策可检查可修复

Jincheng Gao、Wei Ding、Shuo Sun在arXiv论文（arXiv:2610.13999v1，基于论文摘要）中提出SemTree框架：将规则决策表示为语义决策树，每个节点是带Yes/No/Unknown标准的自然语言问题，由可插拔的语义评判器回答，分支结构根据该评判器实际给出的回答编译生成，路径可执行、可检查、可修复。 实验结果（作者报告）：在ShARC全部8,276个测试用例上，由托管评判器执行的树达到67.70%准确率、平均每例2.99个问题，与直接让同一评判器给出最终标签（68.23%）相当。节点级修复将BANKING77准确率从82.04%提升到86.16%；训练的编辑器将被编辑树的开发集准确率从64.47%提升到73.35%。此外，为另一评判器编译的树在该评判器上执行时仅得47.87%，表明树的编译与评判器绑定。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。