研究人员开发了一种名为EP-HUBO的新方法，以提高大型语言模型（LLM）的推理能力，特别是在法律等证据密集型领域。该方法将推理片段的选择视为一个组合优化问题，能够更好地聚合证据，并克服简单多数投票的局限性。该系统使用一个小型本地模型生成多个推理迹线，然后将这些迹线解析为证据池。在最终裁决模型进行最终裁决之前，使用具有质量导出权重的二阶无约束二元优化技术对这些证据池进行优化。 AI
影响 该方法有望提高LLM在复杂、基于证据的任务上的性能，可能对法律分析和专业研究等领域产生影响。
排序理由 该集群包含一篇详细介绍改进LLM推理新方法的学术论文。
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:2606.06941v1 Announce Type: new Abstract: Large language models (LLMs) now solve a wide range of expert-level exams at or above human level, yet remain brittle on specialised, evidence-intensive domains such as law. On these tasks, errors arise not only from gaps in world k…
Large language models (LLMs) now solve a wide range of expert-level exams at or above human level, yet remain brittle on specialised, evidence-intensive domains such as law. On these tasks, errors arise not only from gaps in world knowledge but also from subtle distinctions betwe…