cost-sensitive-learning

该论文研究全模态大模型（Omni-LLM）的推理效率问题，提出按查询自适应选择模态的方法，将问题形式化为准确率-成本优化，并通过成本敏感学习实现在匹配或超越全模态准确率的同时大幅降低 token、延迟与金钱成本。

这篇论文对IBM Telco客户流失基准进行了可信度审计，揭示了报告高达99%准确率背后的四大问题：SMOTE前划分造成的数据泄漏、TotalCharges字段冗余性导致的SHAP解释失真、概率校准方法选择，以及F1最优阈值与成本最优阈值之间的巨大差距，并提出了一个可复现的报告检查清单。