arXiv · ML· Nikita Kozodoi, Zainab Afolabi, Jack Butler·· 9 小时前AI 评分45
大语言模型推理时数据增强：多样性注入点研究
Test-Time Augmentation for LLMs: Where to Inject Diversity at Inference Time
AI 导读
研究证实，在 LLM 推理聚合中，输入多样化来源比数量更关键。保留语义的改写带来 +1.80 pp 准确率增益，优于改变推理路径。 该研究发现，字符级噪声虽使响应分歧达 37.8%（对比改写的 27.4%），但准确率增益更低；同时扰动双模态表现低于基线。 结果建议对于 Claude Haiku 等中档 LLM，改变提问措辞是比改变推理路径更高效使用推理算力的方式。
来源：arXiv · ML · arxiv.org