English(EN) Can LLMs in Draft-Verify-Revise Pipelines Resolve Deictic Ambiguity?

大型语言模型在草稿-验证-修订流程中难以处理指示性歧义

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

一项新的研究论文探讨了在草稿-验证-修订流程中，大型语言模型（LLMs）如何难以处理指示性歧义，即像“之前的”这样的依赖于上下文的表达在不同阶段可能指代不同的事物。该研究测试了六个模型，发现虽然GPT-5.2在增加推理努力后显著提高，但Gemini 3-Pro在所有测试级别上都保持了高准确率。研究表明，上下文工程师应在每个阶段明确定义指代对象，以防止指示性转移。 AI

影响强调了大型语言模型编排中潜在的指示性转移问题，建议明确定义指代对象以改进上下文处理。

排序理由在arXiv上发表的研究论文，详细介绍了大型语言模型的能力。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

本文如何被排名

Signal score: 30 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 在arXiv上发表的研究论文，详细介绍了大型语言模型的能力。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Obinna I. Ekekezie · 2026-09-14 04:00

草拟-验证-修订流程中的大型语言模型能否解决指示性歧义？

arXiv:2609.12162v1 Announce Type: cross Abstract: Draft-verify-revise is a common LLM orchestration pattern for scaling inference-time compute. One LLM drafts, a second critiques the draft and provides feedback, and a third uses that feedback to revise the draft into the final ou…

本文如何被排名

报道来源 [1]

草拟-验证-修订流程中的大型语言模型能否解决指示性歧义？

相关实体

相关话题