摘要
本文独立复现并压力测试了两种提升大语言模型(LLM)推理可靠性的近期方法:RPC(推理路径聚合)和LCF(逻辑一致性过滤)。针对原研究缺乏跨领域/模型验证及代码缺失的问题,我们在四个新任务域和多个7-8B参数模型上进行了扩展评估。结果显示,RPC在新领域中对自洽性的优势并不显著;LCF虽能分离逻辑内容,但其对推理准确率的提升微弱且统计不显著,甚至在部分模型中产生负面影响。本研究揭示了现有推理增强方法在泛化性上的局限。
AI 推荐理由
论文直接评估LLM推理可靠性,涉及概率聚合与逻辑表示编辑,属于推理能力核心研究。
研究机构
Remember & Company AI Lab, DSAIL, Dept. of Applied AI, Sungkyunkwan University, Seoul, Republic of Korea
MAIN Lab, Dept. of Applied AI, Sungkyunkwan University, Seoul, Republic of Korea
论文信息