Deposon 散射层增强 LLM 推理路径可审计性
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Deposon 散射层将 LLM 概念分解图节点绑定至双参数状态，通过透射、反射与耗散三通道散射处理推理路径。该机制满足 T+R+A=1 能量守恒，路径能量审计偏差极低。在合成陷阱基准测试中，路径过滤增益达 100%，显著优于基线。在 GSM8K 等真实基准上，其表现与简单关键词过滤器无显著差异，作者将核心价值定义为机器可验证性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载散射层机制设计
Deposon 散射层旨在解决多步 LLM 推理中缺乏机器可复核账本的问题。该层将 LLM 生成的概念分解图中的每个节点绑定到一个双参数 Deposon 状态。推理路径在经过该层时，会经历透射、反射和不可逆耗散三个通道的散射过程。这一过程严格遵循 T+R+A=1 的参数守恒定律，且单条路径的能量审计偏差最大仅为 2.2E-16，达到了机器精度级别。
基准测试表现
在合成陷阱基准测试中，Deposon 展现出了显著的路径过滤能力，其增益达到了 100%，相比之下，诱饵捕获基线的表现仅为 7% 和 10%。然而，在 GSM8K 和 StrategyQA 等真实基准测试中，该层的性能与一个简单的六关键词规则过滤器无法区分。例如在 GSM8K 上得分为 0.87 对比 0.85，McNemar 检验 p 值为 0.5。基于此结果，作者将研究结论修正为“差异价值仅在于机器可验证性”。
动力学与融合分析
研究尝试将反向动力学建模为图上的势博弈，以证明可审计标量的单调性和近似梯度性质，并量化经验协调比率。实验还测试了与语义先验的融合效果，结果显示凸组合融合从未带来性能提升，甚至在物理任务上从 0.484 降至 0.452。任何融合增益必须是非线性的。此外，三个形式化的动力学等价命题在预注册的终止协议下被证伪，势博弈声明被降级为近似。
为什么值得看
为多步推理提供机器可复核的账本，解决路径丢弃后的审计难题。
基准测试
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。