斯坦福团队提出 LLM 表达上限测量法，prompt 优化算法提升 14%
stanfordnlp · x · 2026-10-17
斯坦福 NLP 组（Alexander Spangher、Daniel E. Ho、Diyi Yang、Noah Goodman、Sanmi Koyejo）发布论文《Articulation Upper Bounds for Language Models》，尝试量化语言对意义的承载极限：语言只捕捉了说话人之间感知、直觉与意图的一个子集，那 LLM 能传递的概念上限在哪？
- 最优消息测量：提出一个 prompt 优化算法，在基准上比现有算法最多提升 14%，并能量化估算 prompt 的效果上限。
- 传递度测量：让发送方 LLM 标注文本，接收方尝试恢复其 prompt，以恢复率衡量概念传递度；该指标与人类标注误差高度相关。
- 结合观测性 scaling law，研究概念传递度如何随模型能力增长而变化。
「研究」频道最新
- AI 已预测约 2 亿个蛋白质结构并免费公开,跳过药物发现最慢一步 — rand_longevity · 2026-10-18
- KAIST 与 DeepMind 提出声明式注意力,让模型自己决定读哪些上下文 — coallaoh · 2026-10-18
- 菲尔兹奖得主 Gowers 警示:AI 太强或让后世失去深研数学的动力 — IgorCarron · 2026-10-18
- SearchJev 搜索智能体系统一模型:决策快 5.3 倍,校准误差降最多 74% — CShorten30 · 2026-10-18
- Astraea 认知架构 17 天进展：修复情感计时与并发缺陷 — Financial_Tadpole121 · 2026-10-18
- 单月 10 万份投稿压垮审稿系统，评论呼吁把 Lean 更早引入流程 — IgorCarron · 2026-10-18