AdmitOR

新的AdmitOR方法在没有标签数据的情况下改进了LLM优化

研究人员开发了一种名为AdmitOR的新方法，用于在没有预先存在答案的情况下将知识吸收到基于大型语言模型（LLM）的优化系统中。传统方法在缺乏标签的真实世界数据流中会遇到困难。AdmitOR利用校准的外部行为证据和跨家族一致性来提高吸纳精度，与现有方法相比，显著减少了中毒吸纳。尽管由于基准测试的准确性问题，它在野外数据流上遇到了迁移失败，但AdmitOR在公共基准测试的库大小和宏观准确性方面表现出了卓越的性能。