论文提出LQET：让大模型按证据来源而非重复次数更新信念
原文标题：Provenance-Aware Belief Updating in Human-AI Feedback Loops
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。
arXiv论文研究人机反馈循环中，同一观察被反复引用会被误当作独立佐证的问题。作者提出Latent Quotient Evidence Training（LQET），结合稀疏贝叶斯监督与约束，在Qwen3-4B与Phi-4-mini上使新证据更新RMSE降低41-44%，八轮传递后对数几率漂移降低89-91%。
- 问题
- 人机反馈循环中同一观察被反复引用，模型会把重复误当作独立佐证而过度更新信念。
- 方法
- 提出LQET关系型目标，结合稀疏贝叶斯监督与约束，让模型依据报告来源谱系而非报告数量更新。
- 结果
- 在Qwen3-4B与Phi-4-mini上新证据更新RMSE降低41–44%，八轮传递后对数几率漂移降低89–91%。
- 影响
- 让智能体影响力跟随新证据而非重复次数，对多轮人机协作与信息聚合系统的可信度至关重要。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LQET让模型按证据来源而非重复次数更新信念，八轮传递后对数几率漂移降低89-91%。
- •针对同一观察被反复引用、被误当作独立佐证的人机反馈循环问题
- •方法为潜在商证据训练，结合稀疏贝叶斯监督与一致性约束
- •在Qwen3-4B与Phi-4-mini上，新证据更新RMSE降低41-44%
- •八轮传递后对数几率漂移降低89-91%，每个骨干用三个配对训练种子
- •增益可延伸至闭环模拟：模型置信度决定多少转述报告重新进入上下文
为什么重要：多轮人机交互中信息回声会系统性放大错误信念，该工作为可信人机系统提供了可训练的纠偏路径。
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。