搜索
清华提出 Jev-LDE：单次编辑 ICL 示例可提升 1-shot 平均准确率
2 小时前
清华大学自动化系团队提出局部示例编辑方法LDE，并训练出小型编辑模型Jev-LDE。该方法在已有检索的ICL示例集合基础上，仅进行一次保留、删除或替换的局部调整，无需反复调用目标大模型。实验表明，该方法在48个分类配置中有46个优于初始检索结果。在3个分类数据集、4个目标大模型的1-shot测试中，平均准确率从81.2%提升至88.1%，端到端推理时间仅增加约11%。训练得到的编辑策略可迁移至未见过的目标模型与检索器。目前，该方法在分类任务上效果稳定，但在数学推理等任务上尚未取得同等收益。
