面向专业人类与大语言模型协作的能力条件化支架
摘要
介绍了能力条件化支架,一种用于大语言模型协作的框架,根据用户专业领域调整干预措施以防止专业领域漂移,并在MMLU子集上进行了试点评估。
查看缓存全文
缓存时间: 2026/05/18 06:31
# 面向专业人类与LLM协作的能力条件化框架 来源:https://arxiv.org/abs/2605.15404 查看PDF (https://arxiv.org/pdf/2605.15404) > 摘要:大型语言模型的个性化通常根据用户偏好和风格调整输出,但未考虑用户在不同专业领域评估能力的差异。这一局限可能引发“专业领域漂移”(Professional Domain Drift),即用户在自身无法可靠评估的领域中依赖AI生成的推理。我们引入能力条件化框架(Capability Conditioned Scaffolding),这是一种类型化框架,将专业知识划分为强域、混合域和弱域,并根据结构化能力画像调节干预行为。在多个MMLU子集和四个LLM基底上的初步评估显示,能力画像条件化干预行为具有一致性,包括画像互换下的类别反转以及混合域风险区域的选择性激活。这些发现表明,能力感知框架能够在风格化个性化之外,支持更可靠的专业人机协作。 ## 提交历史 来自:Sen Yang [查看电子邮件 (https://arxiv.org/show-email/414fc87a/2605.15404)] **\[v1\]** 2026年5月14日星期四 20:42:03 UTC (559 KB)
相似文章
能力自我评估:教会LLMs认识自身局限
本文针对大语言模型提出了能力自我评估(CSA)方法,并将其建模为策略学习问题。实验表明,强化学习能够有效教会模型识别自身局限并委托处理无法解决的查询,效果优于监督微调,且具有良好的分布外泛化能力。
Scaffold-Mediated Post-Training: Co-Evolving Model Parameters and Procedural Scaffold Graphs
This paper proposes scaffold-mediated post-training, a paradigm where procedural scaffolds co-evolve with LLM parameters through discovery, distillation, and dynamic recompilation. On FeatureBench, automatically discovered skills improve pass rate by 8.1pp, with a 27.7% pass rate after distillation.
LLM 智能体在协商协作中的应用:部分可观测条件下的联合决策研究
本文形式化了部分可观测条件下LLM智能体的协商协作,引入了一个跨多个领域的可扩展基准,并系统评估了代表性LLM,发现复杂任务仍然具有挑战性,而协商能够实现错误纠正。
从记忆到技能:基于证据的长期LLM智能体协同进化治理
MSCE是一种免训练框架,将LLM智能体的经验组织为三个记忆层次,并将其转化为带有证据链接的可复用技能,优于现有的记忆增强和技能增强基线。
如果我们为LLM设计专用工具,而不是让LLM使用人类工具,会发生什么?
这篇文章探讨了为LLM设计专用工具的理由和好处,而不是让它们使用通用的人类工具,强调了LLM的独特需求和能力限制如何能增强其能力。