研究人员开发了一种名为AdmitOR的新方法，用于在没有预先存在答案的情况下将知识吸收到基于大型语言模型（LLM）的优化系统中。传统方法在缺乏标签的真实世界数据流中会遇到困难。AdmitOR利用校准的外部行为证据和跨家族一致性来提高吸纳精度，与现有方法相比，显著减少了中毒吸纳。尽管由于基准测试的准确性问题，它在野外数据流上遇到了迁移失败，但AdmitOR在公共基准测试的库大小和宏观准确性方面表现出了卓越的性能。 AI
影响 为在优化任务中训练LLM引入了一种新颖的方法，有可能提高它们在真实世界、无标签数据场景中的可靠性。
排序理由 该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
