草稿-验证-修订流水线中的LLM能解决指示歧义吗？
原文标题：Can LLMs in Draft-Verify-Revise Pipelines Resolve Deictic Ambiguity?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究考察草稿-验证-修订这一常见LLM编排模式中，不同阶段模型对“previous”等上下文依赖表达的指代可能发生指示转移。通过合成数据集测试三家供应商六款模型共21种推理配置，平衡准确率从低于随机的0.156到接近完美不等。GPT-5.2随推理投入从0.156升至0.942，而Gemini 3 Pro在各档均超0.94，且低推理档以约5%成本胜过GPT-5.2最高档。
- 问题
- 草稿-验证-修订流水线中，上下文依赖表达可能在不同阶段发生指代转移导致错误。
- 方法
- 用合成数据集测试三家供应商六款模型共21种推理配置，并用e-values做序贯检验与消融。
- 结果
- 平衡准确率从低于随机的0.156到接近完美；GPT-5.2随推理投入从0.156升至0.942，Gemini 3 Pro各档均超0.94。
- 影响
- 多阶段编排需显式处理指代一致性，低推理档模型可能以约5%成本胜过最高档。
深读 · 结论先行AI 生成展开看要点与影响 ↓
草稿-验证-修订流水线中「previous」等指代会发生指示转移，21种配置平衡准确率从0.156到近满分不等。
- •研究草稿-验证-修订编排中，不同阶段模型对「previous」等上下文依赖表达可能解析不一致，即指示转移。
- •用10个基础样例×3种条件的合成数据集，测试三家供应商六款模型共21种推理配置。
- •平衡准确率跨度从低于随机的0.156到接近完美；GPT-5.2从无推理0.156升至最高推理档0.942。
- •Gemini 3 Pro在各推理档均超0.94，且低推理档以约5%成本胜过GPT-5.2最高档。
- •另设消融实验移除评分者反馈中的错误分类标签，并由单独LLM分析元评估者错误判定的理由。
为什么重要：多阶段编排被默认能提升可靠性，但阶段间指代漂移可能让验证环节本身出错；选型时应关注模型在低推理成本下的稳定性，而非只看最高档表现。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。