研究揭示语言模型组合任务中的隐性推理预算机制

Chenpan Li 等团队发布论文《On the Fragility of Tasks under Composition: Implicit Budgeting in Language Models》，探讨语言模型在任务组合场景下的脆弱性问题。该研究指出，当多个任务组合时，模型错误率显著上升，即便各子任务单独求解时可靠，这种错误无法仅用独立错误累积来解释。 研究发现，模型在组合任务中为每个子任务分配的 token 隐性减少，形成“隐性推理预算”效应。该现象在开源模型与 Claude Opus 5 中均存在，非脆弱任务在孤立时会浪费算力，而需要更长解题轨迹的任务在组合下更易出错。 进一步实验表明，按任务脆弱性分组可调控该隐性预算，在保持准确率的同时将 token 使用量降低 43%，为高效多任务提示设计提供了新依据。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。