burkov提出ICL-Bandit示例选择法
热点事件持续更新
burkov提出ICL-Bandit示例选择法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
burkov提出ICL-Bandit，将提示词中的示例选择建模为重复的多臂老虎机问题，通过比较大语言模型标签与已知专家标签，持续优化示例组合。评测称，该方法提升了广告相关性标注准确率。 评测使用158万条专家标注样本构建示例池，并按时间切分约1万条训练query–ad对和2000条测试query–ad对；该思路也适用于其他依赖少量高质量示例进行上下文学习标注的场景。
AI 根据报道生成 · 2 小时前更新
最新进展11月7日 21:49
ICL-Bandit 用多臂老虎机自动挑选示例，提升 LLM 广告相关性标注准确率报道时间线
沿着报道，了解事件的不同侧面。
11月7日
- AGI HuntICL-Bandit 用多臂老虎机自动挑选示例，提升 LLM 广告相关性标注准确率
ICL-Bandit 将 prompt 中的示例选择建模为重复的多臂老虎机问题，通过比较 LLM 标签与已知专家标签，持续优化示例组合。评测使用 158 万条专家标注样本构建 demo 池，按时间切分约 1 万条训练 query–ad 对和 2000 条测试 query–ad 对。该思路也可用于其他依赖少量高质量示例进行 in-context learning 标注的场景。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。