LLM 还是朴素贝叶斯：旧法与新法之争
原文标题：LLMs or Naive Bayes? Old Gems or New Ways
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。
论文将 Complement Naive Bayes 与零样本、少样本 LLM 在文本分类任务上对比，覆盖四个模型家族、27B 至 1T 参数规模。结果显示 LLM 仅在零数据场景占优，一旦有标注数据，NB 在 AG News 上达到 89.1%，与零样本 27B LLM 持平并超过 397B 前沿模型，且 CPU 吞吐快 40 至 486 倍、能耗低约两个数量级。作者给出任务相关的决策边界并开源自动模型选择的 Kubernetes 算子。
- 问题
- 有标注数据时，是否还该用 LLM 做文本分类，还是经典朴素贝叶斯仍够用。
- 方法
- 把 Complement Naive Bayes 与四个模型家族、27B 至 1T 规模的零样本/少样本 LLM 在文本分类上直接对比。
- 结果
- AG News 上 NB 达 89.1%，与零样本 27B LLM 的 89.0% 持平、超过 397B 前沿模型的 84.8%，CPU 吞吐快 40–486 倍、能耗低约两个数量级。
- 影响
- 有标注数据时小模型/经典方法在成本与吞吐上碾压 LLM，资源受限场景的选型判断可据此改写。
深读 · 结论先行AI 生成展开看要点与影响 ↓
有标注数据时朴素贝叶斯AG News达89.1%，追平零样本27B LLM，CPU吞吐快40-486倍。
- •对比覆盖四个模型家族、27B至1T参数（MoE），任务为文本分类。
- •零数据场景LLM占优：Amazon Polarity上98.0%对88.2%；但低污染情感任务NB反超81.7%对73.0%。
- •AG News上NB 89.1%，与零样本27B LLM的89.0%统计无差异，高于397B前沿模型的84.8%。
- •小LLM批量GPU推理比NB的CPU推理慢40-486倍，每样本能耗低约两个数量级。
- •微调DistilBERT达90.6%，但batch size 1时吞吐远低于NB；作者开源Kubernetes自动选型算子。
为什么重要：对资源受限的HPC与工程团队，这条给出「何时不必上LLM」的决策边界：有标注数据时经典方法仍是性价比最优解。
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。