面向专业人类与大语言模型协作的能力条件化支架

arXiv cs.CL 论文
llm-collaboration personalization scaffolding capability-aware professional-domain-drift mmlu

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。

arXiv:2605.15404v1 公告类型：新 摘要：大语言模型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的评估能力差异。这一局限可能助长专业领域漂移，即用户在自己无法可靠评估的领域中依赖AI生成的推理。我们引入了能力条件化支架，一种类型化框架，将专业知识划分为强、混合和弱领域，并根据结构化的能力轮廓调整干预行为。在多个MMLU子集和四个LLM基底上的试点评估显示了一致的能力轮廓条件化干预行为，包括轮廓交换下的类别反转以及混合领域风险区域中的选择性激活。这些发现表明，能力感知支架可以支持比风格个性化更可靠的专业人类与AI协作。
查看原文
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