注册

论文提出 Scenario-Actor：按交际场景推断温度调节解码

论文AI 评分 62/100arXiv cs.AI
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。

一篇投稿至 AACL-IJCNLP 2026 主会议的论文提出 Scenario-Actor 框架，用于选择大语言模型的采样温度。现有主流做法多依赖固定的启发式全局设定，或按上下文、token 级别做校准，缺少对交际场景的几何化可解释表示。该框架从 Transformer 隐藏状态中提取与场景相关的结构，再由场景嵌入决定温度。在 Llama-3.1-8B-Instruct 上的实验显示，它在交互式社交场景的目标完成、开放式指令跟随上取得提升，多轮对话表现与多个基线相当。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

温度调节的老问题

大语言模型通常靠采样温度控制输出的随机程度。论文指出，目前主流的温度选择方式有两类：一类是固定的、启发式的全局设定，另一类是上下文级或 token 级的校准。这两类做法都没有把「交际场景」本身表示成一种具有几何可解释性的结构，因此温度与场景之间缺少显式的对应关系。论文把这一点作为切入点，试图让解码阶段的随机性随场景特征变化，而不是一刀切。

场景嵌入怎么定温度

Scenario-Actor 的做法是从 Transformer 的隐藏状态中抽取与场景相关的结构，再据此得到场景嵌入，也就是对交际情境的一种结构化几何表示，最后由这个嵌入来确定温度。作者把该框架描述为简单且可解释。与固定全局设定、上下文校准、token 级校准这些基线相比，它不依赖人工设定的启发式规则，而是把场景推断的结果直接接到解码参数上。

在 Llama 上的实验结果

实验使用 Llama-3.1-8B-Instruct。结果显示，在交互式社交场景中，Scenario-Actor 的目标完成表现较强；在开放式指令跟随任务上有明显提升；在多轮对话上则与多个基线相比具有竞争力。论文共 17 页、7 张图，被 AACL-IJCNLP 2026 主会议接收，编号 arXiv:2610.18820，提交日期为 2026 年 10 月 13 日。摘要未给出具体提升幅度、基线清单与消融细节。

为什么值得看

温度选择长期靠经验设定，这篇给出可解释的场景化替代方案，并附开源模型上的对比结果。

Llama论文

信源1 家

  1. [1]arXiv cs.AI一手信源Read the Room Before Your Model Generates

关键事实

  • 论文标题为 Read the Room Before Your Model Generates，作者为 Muyao Kong、Zhihao Lin[1]

  • 提出 Scenario-Actor 温度选择框架，从 Transformer 隐藏状态提取场景相关结构，由场景嵌入决定温度[1]

  • 实验在 Llama-3.1-8B-Instruct 上进行，交互式社交场景目标完成与开放式指令跟随有提升，多轮对话与多个基线相当[1]

  • 论文被 AACL-IJCNLP 2026 主会议接收，共 17 页、7 张图[1]

  • 提交时间为 2026 年 10 月 13 日，编号 arXiv:2610.18820[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

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。

去论坛讨论