一项新近发表在arXiv上的研究，调查了大型语言模型（LLMs）在进行金融分析时，如何受到用户上下文（如记忆和角色提示）的影响。研究人员使用3,575份SEC文件测试了十二个大型语言模型，发现模型对证据的解读因分配的角色而异，且这种差异比检索到的证据更为显著。尽管诸如将用户心态设定为投资者画像或分离个性化输出来缓解偏见的方法取得了一定成效，但并未能完全消除所有测试模型中的这些偏差。 AI
影响 凸显了由于依赖上下文的解释偏差，大型语言模型驱动的金融分析中潜在的风险。
排序理由 该集群包含一篇详细介绍大型语言模型偏差研究结果的论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.03218v1 Announce Type: new Abstract: Large Language Models (LLMs) increasingly use user context such as memory, profiles, and role prompts to personalize their responses. This personalization can affect evidence-based judgment: the same evidence may lead to different c…
Large Language Models (LLMs) increasingly use user context such as memory, profiles, and role prompts to personalize their responses. This personalization can affect evidence-based judgment: the same evidence may lead to different conclusions under different user contexts. Financ…