sequential reflection

新基准 RevPropBench 测试 LLM 在对话中的修订传播

研究人员推出了 RevPropBench，这是一个旨在评估大型语言模型 (LLM) 在通过对话交互生成工件时的修订传播能力的新基准。该研究探索了测试时计算的经济高效方法，在 GPT OSS 20B、GPT-OSS 120B、GPT 5.4 Mini 以及各种 Qwen3.5 模型上测试了九种不同的修订技术。结果表明，基线方法的准确率在 68.3% 到 93% 之间，从三个选项中并行采样被证明是最具成本效益的方法，准确率提高了 9.7%。