研究人员开发了一种名为Subjectivity-Adaptive soft-Label Training (SALT)的新方法，以更好地评估和优化用于社会模拟的大型语言模型（LLM）。传统方法通常依赖于准确性指标和硬标签，这对于可能出现一系列响应的主观人类行为来说是不够的。SALT通过使用“主观性系数”来衡量任务的主观性或客观性程度，然后使用适应这种主观性的软分布标签来训练LLM。创建了一个包含19,300个上下文的新基准SUBJSIM，以证明SALT即使在仅基于单个观测进行训练的情况下，也能在评估模型相对于完整响应分布方面的有效性。 AI
影响 这项研究可能带来更现实、更细致的由LLM驱动的人类行为模拟，从而改进社会科学及其他领域的应用。
排序理由 该集群描述了一篇提出新LLM评估和训练方法的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Accuracy
- Behavioral experiments on biased voting in networks
- human behavior
- LLM-Based Social Simulation
- questionnaire
- Subjectivity-Adaptive soft-Label Training
- SUBJSIM
- table salt
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
