PulseAugur
中
实时 10:07:11
English(EN) Not All Needles Are Found: How Fact Distribution and Don't Make It Up Prompts Shape Retrieval, Reasoning, and Hallucination in Long-Context LLMs

LLM在长上下文任务中难以处理分散的事实和安全提示

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的arXiv论文研究了具有大上下文窗口的大型语言模型（LLM）如何处理信息分布和反幻觉提示。该研究测试了Gemini 2.5-Flash、ChatGPT-5-mini、Claude 4.5 Haiku和Deepseek-v3.2-chat，发现模型在处理分散的事实时存在困难，并且安全提示可能导致过度保守的拒绝。这些问题表明模型经常由于无效的上下文利用而失败，凸显了在长视界代理工作流中提高鲁棒性的必要性。 AI

影响 强调了LLM上下文利用和安全提示方面的挑战，为未来模型开发指明了方向。

排序理由 在arXiv上发表的学术论文，详细介绍了LLM在特定任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM在长上下文任务中难以处理分散的事实和安全提示

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Amirali Ebrahimzadeh, Seyyed M. Salili ·

    并非所有“针”都能找到：事实分布和“不要编造”提示如何影响长上下文大语言模型的检索、推理和幻觉

    arXiv:2601.02023v2 Announce Type: replace-cross Abstract: As Large Language Models (LLMs) increasingly utilize massive context windows as working memory for autonomous tasks, their reliability fluctuates significantly depending on how information is distributed in real-world corp…

相关实体

相关话题