摘要
大语言模型日益依赖多轮推理与交互（如自适应 RAG 和 ReAct）来解决复杂问题，但面临何时停止的关键挑战。现有方法缺乏形式化保证，易导致成本增加或决策错误。本文提出首个面向多轮推理的保形预测框架 MiCP，通过跨轮次分配误差预算，使模型能在保持整体覆盖率保证的同时提前停止。实验表明，MiCP 在自适应 RAG 和 ReAct 任务中均实现了目标覆盖率，同时显著减少了推理轮次、成本及预测集规模，并引入了联合评估覆盖率有效性与回答效率的新指标。
AI 推荐理由
论文核心解决多轮推理中的自适应停止问题，提出保形预测框架以优化推理过程。
研究机构
Department of Computer Science, University of Illinois Chicago, Chicago, IL 60607, USA
Data science, Augustana College, Rock Island, IL 61201, USA
Department of Civil and Environmental Engineering, University of Utah, Salt Lake City, UT 84112, USA
论文信息