热点事件持续更新

arXiv发布测试时增强LLM多样性注入研究论文

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年8月10日，研究人员Nikita Kozodoi团队在arXiv发布论文《Test-Time Augmentation for LLMs: Where to Inject Diversity at Inference Time》。该研究聚焦大语言模型推理时的数据增强策略，旨在探讨多样性注入的最佳位置与方式。后续报道指出，研究证实输入多样化来源比单纯增加数量对提升模型性能更关键。实验发现，保留语义的改写能带来+1.80 pp的准确率增益，效果优于改变推理路径。相比之下，字符级噪声虽使响应分歧度达到37.8%，高于改写的27.4%，但其带来的准确率增益较低。此外，研究数据显示扰动双模态的表现低于基线水平。基于此结果，对于Claude Haiku等中档LLM，改变提问措辞被视为比改变推理路径更高效利用推理算力的方式，为LLM优化提供了新参考。

AI 根据报道生成 · 1 小时前更新

最新进展10月20日 12:00

大语言模型推理时数据增强：多样性注入点研究

报道时间线

沿着报道，了解事件的不同侧面。

10月20日

12:00
arXiv · ML
大语言模型推理时数据增强：多样性注入点研究
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。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。