arXiv NLP·3 天前★ 2

研究提出选择性跨度标注的伙伴模型选择方法

原文标题：The Best Second Opinion Is Right Where the Primary Is Wrong: Partner Selection for Selective Span Tagging

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文研究跨度标注器将高风险输出转交人工时，应选择哪个第二模型提供意见。在 576 组主模型-伙伴配对中，按主模型错误上的留出准确率选择伙伴可恢复最优伙伴增益的 82%，显著优于按跨度 F1 或随机选择。该规则在第四个数据集上复现，并显示伙伴价值具有方向性。

论文速读 · 四段结构去论文速读 →

问题: 跨度标注器把高风险输出转人工时，该选哪个第二模型提供意见缺乏依据。
方法: 提出按伙伴模型在主模型错误样本上的留出准确率来选择伙伴，而非按全局跨度 F1 或随机选择。
结果: 576 组配对中该规则恢复最优伙伴增益的 82%，跨度 F1 与随机选择仅 69–70%；第四个数据集复现（Spearman 0.40 对 0.04）。
影响: 为标注流水线中的人机协同与模型集成提供低成本选型规则，可直接用于风险转人工场景。

AI 处理过程展开/收起

原始标题：The Best Second Opinion Is Right Where the Primary Is Wrong: Partner Selection for Selective Span Tagging

AI 中文标题：研究提出选择性跨度标注的伙伴模型选择方法

来源：arXiv NLP · 发布于 3 天前

分类：学术研究 · AI 重要度：★ 2（2）

标签：选择性预测 / 模型协作 / 跨度标注 / 人机协同

关键词：模型选择 / 选择性预测 / 跨度标注 / 人机协同 / arXiv 论文

AI 处理：2026/10/30 15:01:55 · 模型 deepseek-chat · 规则版本 2026-10-21.1

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐