研究称大模型严重低估信息缺失量，提问顺序影响诊断准确率

哈佛医学院、Broad Institute、Kempner Institute 与 Google DeepMind 合作的新研究将多轮信息寻求形式化为 k-欠定约束满足问题，并构建了覆盖数学、逻辑等领域的 MT-INFOSEEK 基准。研究发现大模型虽能察觉信息不足，但在量化缺失程度时严重低估；同时提问顺序会影响 AI 诊断准确率，且最终准确率并不能反映信息获取过程的质量。研究还探讨了模型在信息不足时应向人类反问什么的问题。

2026-08-19 ~ 2026-08-19 · 3 条相关

• 新研究：LLM 能否识别缺失信息并反问？ — marinkazitnik · 2026-08-19
• 论文揭示 LLM 严重低估信息缺失量 — marinkazitnik · 2026-08-19
• 研究揭示：提问顺序影响 AI 诊断准确率，最终准确率不反映信息获取 — marinkazitnik · 2026-08-19