כתבה
arXiv cs.CL ·
האם LLMs בפס תכנון-אימות-תיקון יכולים לפתור אי-ודאות דיקטית?
Can LLMs in Draft-Verify-Revise Pipelines Resolve Deictic Ambiguity?
LLMs בפס תכנון-אימות-תיקון יכולים לפתור אי-ודאות דיקטית? המחקר חקר את יכולתם של LLMs לפתור אי-ודאות דיקטית בפסי תכנון-אימות-תיקון. התוצאות הראו ש-GPT-5.2 ו-Gemini 3 Pro הצליחו לפתור אי-ודאות דיקטית בצורה טובה, אך ה-GPT-5.2 דרש יותר ניסיון רציונלי.
תקציר מקורי באנגליתarXiv:2609.12162v1 Announce Type: cross Abstract: Draft-verify-revise is a common LLM orchestration pattern for scaling inference-time compute. One LLM drafts, a second critiques the draft and provides feedback, and a third uses that feedback to revise the draft into the final output. As context cascades between stages, LLMs at different stages can resolve a context-dependent expression such as "previous" differently. When that happens, the expression undergoes a deictic shift, a change in what it refers to. This phenomenon was studied with a synthetic dataset of 10 base examples, each rendered in three conditions. Holding the shared components constant, the conditions varied whether the draft stage LLM (the assistant) or the verify stage LLM (the grader) resolved the expression correctly,
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית