English(EN) Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow Networks

GFlowNets为LLM训练生成多样化的合成对话

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

研究人员开发了一种新颖的方法，使用生成流网络（GFlowNets）来创建多样化的合成对话数据，用于训练大型语言模型（LLMs）。该方法解决了通过直接提示或最终用途条件化生成数据时常见的低多样性和模式崩溃问题。通过基于关键交互特征对潜在对话结构进行建模，GFlowNets可以按其普遍性比例对专家策略进行采样，与强化学习和端到端LLM基线相比，提供了更好的保真度、模式覆盖率和真实性的平衡。该方法生成的合成数据已被证明能为下游结果预测任务提供更强的训练信号。 AI

影响能够为LLMs创建更高质量、更多样化的训练数据，从而可能提高它们在专业对话任务中的适应性和性能。

排序理由该集群包含一篇详细介绍使用GFlowNets进行合成数据生成新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 25 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍使用GFlowNets进行合成数据生成新方法的论文。[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.AI TIER_1 English(EN) · Sumit Asthana, Michael Ion, Kevyn Collins Thompson · 2026-10-01 04:00

超越模式崩溃：通过生成流网络生成多样化的合成专家对话

arXiv:2609.38359v1 Announce Type: new Abstract: High quality synthetic data is central to post training LLMs for adaptive AI applications that represent the diverse expert strategies and decisions in conversations. Prompting LLMs directly or conditioning them on end use scenarios…

本文如何被排名

报道来源 [1]

超越模式崩溃：通过生成流网络生成多样化的合成专家对话

相关实体

相关话题