ИССЛЕДОВАНИЕ · RESEARCH · #3967
LProp: распространение скрытой неопределённости для уточнения убеждений в агентах на основе LLM
Статья (arXiv:2611.23564v1) предлагает Latent Uncertainty — оцениватель в латентном пространстве — и метод LProp, который обновляет унаследованные распределения ответов с помощью латентных представлений и новых доказательств без дополнительной выборки траекторий. При проверке на задачах множественного выбора, да/нет, открытых ответов и математического рассуждения метод превосходит базовые подходы по большинству метрик и демонстрирует наименьшее среднее потребление токенов вывода в восьми настройках распространения.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья (arXiv:2611.23564v1) предлагает Latent Uncertainty — оцениватель в латентном пространстве — и метод LProp, который обновляет унаследованные распределения ответов с помощью латентных представлений и новых доказательств без дополнительной выборки траекторий.
- При проверке на задачах множественного выбора, да/нет, открытых ответов и математического рассуждения метод превосходит базовые подходы по большинству метрик и демонстрирует наименьшее среднее потребление токенов вывода в восьми настройках распространения.
- Сохранение и распространение неопределённости в латентной форме позволяет конвейерам агентов на LLM более эффективно и экономно обновлять унаследованные убеждения, улучшая восстановление от ошибок и снижая стоимость вывода.
ПОЧЕМУ ЭТО ВАЖНО
Сохранение и распространение неопределённости в латентной форме позволяет конвейерам агентов на LLM более эффективно и экономно обновлять унаследованные убеждения, улучшая восстановление от ошибок и снижая стоимость вывода.