研究提出 SmoothScore：LLM 写综述爱把混合结论「抹平」成一边倒
gregd_nlp · x · 2026-11-06
LLM 幻觉虽在减少，但 Tiasa 的研究揭示一个仍高频存在的错误——「smoothing（抹平）」：模型读一堆论文后会说「基于这些文献，方法 A 优于方法 B」，即便原始论文实际显示 B 在不少条件下胜过 A。研究团队提出 SmoothScore 来量化和分析这种效应，发现 SOTA 模型仍普遍将混合的、有条件的研究结论过度简化为更强、更普适的断言。这对用 LLM 撰写文献综述和研究报告的可靠性是一个重要警示。
「研究」频道最新
- Caltech Van Valen 实验室宣布离开 X,模型全部转投 Hugging Face — anshulkundaje · 2026-11-06
- Soumith 晒图：Inkling 2 基础模型代码损失超越 GLM-5.3 与 DeepSeek V4 — soumithchintala · 2026-11-06
- Cartesia H-Net 展示「上下文分词」:模型无分词器也能学会切分 DNA 与生词 — TheTuringPost · 2026-11-06
- 第三方复核:零公理 Lean 4 形式化成立,但并未真正解决千禧年 Yang–Mills 难题 — kevrussell · 2026-11-06
- 两家公司想合训模型又怕数据不兼容？学习理论给出两方差分隐私方案 — roydanroy · 2026-11-06
- AI 全自动实验室完成 11000 步实验，Claude 助解 150 亿蛋白序列 — karlwaldman · 2026-11-06