LLM数字孪生通过结构化角色数据而非仅数量得到改进

研究人员开发了一种新方法，通过关注角色信息的结构而非仅仅数据量来创建更准确的基于LLM的数字孪生。他们引入了一个手工设计的模式（BDE：背景、决策程序、评估），该模式提高了同质基准上的预测准确性。然而，这种固定的结构未能很好地泛化到多样化任务。为了克服这一点，他们提出了一个自动结构发现管道，其中LLM迭代地改进特定任务的角色结构和提取提示，从而恢复了在异构基准上的性能。 AI

影响 这项研究表明，构建角色数据的结构，而不仅仅是增加其数量，是改进基于LLM的数字孪生的关键，有可能带来更准确的模拟。

排序理由 学术论文，详细介绍了基于LLM的数字孪生的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• arXiv
• digital twin
• GPT 5.4 Mini
• Hugging Face
• Qwen3_8B
• Twin-2K-500

• 论文
• 模型发布

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