研究人员开发了一种方法来提高大型语言模型（LLMs）在预测任务中的泛化能力。通过使用稀疏自编码器分析 LLM 的内部状态，他们识别出与时间感知和前瞻性推理相关的特征。通过干预这些特征，特别是放大时间感知能力，发现在不影响一般推理性能的情况下，显著减少了预测提示中的前瞻性偏差。这表明可以利用可解释的时间特征来引导 LLM 进行更基于历史且可靠的推理。 AI
影响 通过减少偏差提高了 LLM 在预测中的可靠性，可能改进金融和规划领域的应用。
排序理由 该集群包含一篇学术论文，详细介绍了提高 LLM 在预测任务中性能的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.27199v1 Announce Type: new Abstract: Successful forecasting involves identifying patterns between historical and future states of the world which generalize to future observations. We apply LLMs to a variety of forecasting tasks and inspect their internal states using …
Successful forecasting involves identifying patterns between historical and future states of the world which generalize to future observations. We apply LLMs to a variety of forecasting tasks and inspect their internal states using sparse autoencoders to understand whether they a…