超越监督式澄清：利用LLM重写输入以辅助对话篇章解析

arXiv cs.CL 论文
nlp dialogue-discourse-parsing input-rewriting llm zero-shot clarification parsing

摘要

本文研究了利用大型语言模型（LLM）重写碎片化对话话语以改进冻结的篇章解析器，发现零样本澄清不可靠，且通过重写进行错误修复存在实际上限，表明可重写性预测是一项缺失的关键能力。

arXiv:2607.01964v1 公告类型：新 摘要：重写输入以改进冻结的下游模型已成为现代NLP流水线中的常见策略。先前关于增量式对话篇章解析（DDP）的工作表明，监督式澄清模型可以重写碎片化或未充分指定的话语，例如解决省略或指代问题，以提高解析准确性。在本工作中，我们在现实部署条件下重新审视这一想法，此时没有可用的澄清监督，澄清器必须依赖零样本提示或来自冻结解析器的反馈。在三个分段话语表示理论（SDRT）数据集和多个解析器上，我们发现最后一句话的澄清远不如监督设置所显示的那样可靠。与解析器无关的重写往往引入更多退化而非修复，因为能实现修正的编辑同时会破坏解析器依赖的话语线索。一项最佳8次重写分析进一步揭示了实际上限：很大一部分错误无法仅通过输入重写来修复。使用GRPO训练的解析器感知澄清器通过学会保守放弃将退化率降低高达37%，但仍未能产生持续改进解析的选择性感知澄清。综合来看，这些发现将澄清重新定义为选择性干预问题。我们确定可重写性预测——在干预前判断话语是否可修复——是冻结篇章解析器输入侧优化的关键缺失能力，也是更广泛改进智能体流水线的重要方向。
查看原文
查看缓存全文

缓存时间: 2026/07/03 05:41 

# 超越监督式澄清：基于LLM的输入重写在对话篇章解析中的应用
来源：https://arxiv.org/abs/2607.01964
查看PDF（https://arxiv.org/pdf/2607.01964）

> **摘要**：对输入进行重写以改进冻结的下游模型已成为现代NLP流水线中的常见策略。先前关于增量式对话篇章解析（DDP）的研究表明，监督式澄清模型可以重写片段化或欠规格化的语句（例如解决省略或指代问题），从而提高解析准确率。在本文中，我们重新审视了这一思路，并将其置于实际部署条件下——即没有可用的澄清标注数据，澄清器必须依赖零样本提示或从冻结解析器获得反馈。在三个分段话语表征理论（SDRT）数据集和多个解析器上的实验结果表明，对话末句的澄清远不如监督设置中所示的那样可靠。与解析器无关的重写常常引入比修复更多的退化，因为能够修复问题的编辑也会破坏解析器所依赖的话语线索。进一步的“最佳8次重写”分析揭示了一个实际天花板：很大一部分错误无法仅通过输入重写来修复。使用GRPO训练的感知解析器的澄清器通过学习保守式放弃将退化减少了37%，但仍然无法产生具备选择性感知的澄清来持续改进解析。这些发现共同将澄清重塑为一个选择性干预问题。我们将可重写性预测——即在干预前判断一个语句是否可修复的能力——确定为冻结篇章解析器输入侧优化的关键缺失能力，也是更广泛地改进智能体流水线的重要方向。

## 提交历史

来自：刘一鸣 \[查看邮件 (https://arxiv.org/show-email/8fe5fce7/2607.01964)\] **\[v1\]**2026年7月2日星期四 09:57:52 UTC（428 KB）

相似文章

鲁棒批评者：防御LLMs免受多轮攻击

arXiv cs.AI

本文提出对话批评者引导采样（DCGS）框架，通过从对话历史推断用户意图，并利用基于价值/遗憾的批评者对回复进行评分，在不进行微调的情况下提高鲁棒性，从而防御LLMs免受多轮对抗性攻击。

面向LLM Agent澄清请求的不确定性分解

arXiv cs.AI

本文针对LLM Agent提出了一种基于提示的不确定性分解方法，将行动置信度与请求不确定性分离，使其能在未明确指定的任务中主动寻求澄清。该方法在五个LLM骨干网络上使用新的澄清增强基准进行了评估，显示出显著改进。

基于信息增益的LLM代理中的不确定性感知澄清

arXiv cs.AI

提出了一种目标导向的澄清框架，利用信息增益奖励训练LLM代理，在用户指令不明确的情况下提出有效的澄清问题，在仅增加少量交互开销的情况下，将任务成功率提升了3.7%。