一篇新的研究论文探讨了上下文学习（ICL）中的一个反直觉现象，即正确的示例有时会降低准确性。该研究引入了任务保持扰动来分析这种“正确性-效用差距”，证明示例输入的改变会改变模型的证据混合，导致性能下降。这种效应在较小的模型和更具挑战性的任务中尤为明显。 AI
排序理由 学术论文发表在arXiv上，详细介绍了AI研究的新发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2605.26350v1 Announce Type: cross Abstract: In-context learning (ICL) is often motivated by the intuition that demonstrations help because they provide correct input-output examples. However, we reveal a counterintuitive phenomenon: correctness does not guarantee exemplar u…