热点事件持续更新
LQET：基于证据来源的信念更新训练方法
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月12日，arXiv（Artificial Intelligence，一手来源）发表研究，提出 Latent Quotient Evidence Training（LQET），让语言模型依据证据来源而非报告次数更新信念。在受控二分类基准上，Qwen3-4B 与 Phi-4-mini 的新证据更新 RMSE 降低 41-44%，八轮中继后的对数几率漂移降低 89-91%，每个骨干模型使用三组配对训练种子。研究称增益延伸到闭环模拟，模型置信度控制后续轮次中有多少中继报告重新进入上下文。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
arXiv新研究提出LQET，按证据来源更新信念，受控基准RMSE降41-44%、漂移降89-91%。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · Artificial Intelligence人机反馈循环中的来源感知信念更新
研究提出 Latent Quotient Evidence Training（LQET），让语言模型依据证据来源而非报告次数更新信念。在受控二分类基准上，Qwen3-4B 与 Phi-4-mini 的新证据更新 RMSE 降低 41-44%，八轮中继后的对数几率漂移降低 89-91%，每个骨干模型使用三组配对训练种子。增益延伸到闭环模拟，模型置信度控制后续轮次中有多少中继报告重新进入上下文。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。