亚马逊研究：用 Ising 模型提升 LLM 评判准确性
DocXavi · x · 2026-08-29
Amazon Science 发布研究，探讨当 LLM 评判者意见一致时是否可信。
- 问题背景：共享提示词、同族模型或训练谱系可能导致“多数票”看起来比实际更强。
- 解决方案：提出一种基于依赖感知的聚合方法，利用 Ising 模型考虑评判者之间的依赖关系。
- 实验结果：该方法在准确性上比加权多数投票提高了 9%–14%。
- 核心观点：盲目相信一致性可能导致偏差，需要更复杂的聚合策略来修正。
「研究」频道最新
- Pathway CSO 演讲展望后 Transformer 架构 BDH：每瓦特更高智能 — schwentker · 2026-10-15
- EmbodiedEvo 登顶 RoboDojo：失败的机器人练习也能被下一个 agent 继承 — thetripathi58 · 2026-10-15
- 797GB n-gram 放进 CPU 内存，小模型硬扛多 57% 算力 — PangWeiKoh · 2026-10-15
- Google 论文 Harness²:无验证器下递归进化 agent harness,最高提升 11.5 分 — dair_ai · 2026-10-15
- Kambhampati 明尼苏达开讲：「LLM 思考 token 神话」的系统拆解 — rao2z · 2026-10-15
- 3D Gaussian Splatting 科普：机器人如何记住看不见的世界 — TheTuringPost · 2026-10-15