跳到正文
热点事件持续更新

专家分歧促使LLM改答但不更准

1 篇报道1 个报道来源37 分钟前更新

先了解这件事

AI 综述

Yupeng Tang发表的论文《When Expert Disagreement Hurts: Prestige and Selectivity in LLM Decision Revision》通过两轮受控审计发现,LLM面对专家分歧时增加推翻原答案,却不能稳定提高准确率。 当修订上下文加入“专家”标签后,模型更频繁改答,但无法有选择地修正错误;作者建议针对不同模型和评估协议使用配对条件指标,衡量其修订行为。

AI 根据报道生成 · 14 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月18日
  1. AGI Hunt
    论文:专家反对意见会放大 LLM 改答案,却不更准

    论文《When Expert Disagreement Hurts: Prestige and Selectivity in LLM Decision Revision》通过两轮受控审计发现,LLM 面对专家分歧时无法有选择地修正错误。加入「专家」标签会显著增加模型推翻原答案的次数,却不可靠地提升准确率;作者建议按模型和协议分别使用配对条件指标评估修订行为。

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。