新的自适应一致性方法通过分布值反馈提高 LLM 效率

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

研究人员开发了一种名为自适应一致性（ASC）的新方法，该方法通过利用分布值反馈来提高大型语言模型（LLM）的效率。与将 LLM 视为黑盒的传统自适应一致性不同，ASC 利用模型输出的对数概率，以更少的采样轨迹识别最可能的答案。所提出的 ASC-D 算法通过顺序采样轨迹并达到模态答案的期望置信水平后停止来实现这一点。这种方法在轨迹使用量上显示出显著减少，在 MMLU-Redux 上的实验表明，与现有方法相比，轨迹数量减少了 46.4% 至 95.6%，同时保持了高准确性。 AI

影响该方法可能导致更高效的 LLM 推理，降低计算成本并实现更快的响应。

排序理由该集群包含一篇详细介绍提高 LLM 效率的新方法的论文。[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提高 LLM 效率的新方法的论文。[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) · Jingkai Huang, Yunfan Zhang, Will Ma, Weihua Zhou, Zhengyuan Zhou · 2026-10-01 04:00

自适应自洽性：从黑盒采样到分布值反馈

arXiv:2609.38931v1 Announce Type: cross Abstract: Self-consistency samples many reasoning trajectories and aggregates their final answers, treating the LLM as a black box that returns one answer per trajectory. Yet the final answer of each trajectory is sampled from a softmax vec…

本文如何被排名

报道来源 [1]

自适应自洽性：从黑盒采样到分布值反馈

相关实体

相关话题