摘要
大型语言模型在静态推理任务中表现优异，但在需通过提问主动获取信息的交互场景中性能往往下降。主要挑战在于如何选择既能减少不确定性又能处理模糊或部分信息回答的问题。为此，本文提出了感知对话的贝叶斯实验设计（CA-BED），这是一种推理时的概率对话规划框架。该框架将贝叶斯实验设计与基于大模型的似然估计相结合，以优化多轮对话中的问题选择。CA-BED 维护假设的信念分布，预测可能的回答，并通过模拟对话树传播预期信息增益。在两个结构化实体推导基准测试中，相比直接提示，CA-BED 的成功率平均提高了 21.8%，且仅平均增加了 1.8 个对话轮次。
AI 推荐理由
论文提出基于贝叶斯实验设计的对话规划框架，核心在于优化多轮对话中的问题选择策略。
研究机构
Daniel Arnould
Rashad Aziz
Zixuan Kang
Tanay Changal
Kevin Zhu
Sunishchal Dev
Gabriel Grand
Shreyas Sunil Kulkarni
论文信息