arXiv 论文提出衡量模型好奇心的分类法
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把提问当作一种能力
这篇论文把模型在对话中主动提出的问题单独拿出来考察，关注的是那些指向知识空白、隐含假设与替代方案的发问，作者将其称为模型的好奇心。研究没有停留在泛泛讨论提问频率，而是先建立了一套有理论依据的分类框架，用来把带有好奇性质的问题与模型日常生成的普通问句区分开。这一区分是后续测量的前提：只有先界定什么算好奇式提问，才能统计它在真实对话中占多大比例，也才能判断这类提问出现之后对话走向是否发生变化。
四份对话数据里的占比
作者在四个对话数据集上做了统计，结果显示带有好奇取向的问题在所有问题中仍属少数，占比区间为 17-28%，且不同数据集之间的分布形态并不一致。这一区间说明，模型在多数情况下仍以直接作答为主，主动追问并非默认行为。研究同时观察到，这类问题出现之后，用户随后的回应往往更具探索性，信息含量也更丰富。需要说明的是，材料给出的是关联层面的观察，并未声称提问与后续回应之间存在因果。
人工评估看使用场景
除数据统计外，研究还开展了一项人工评估，用来判断模型的好奇心在实际使用中是否有价值。评估结论是这类提问能够推动用户展开探索，在建议类、创意类与研究类语境中表现得尤为明显。也就是说，追问的价值并非在所有场景中均等，它与任务本身是否需要发散思考有关。这一结果与前面的语料观察相互呼应：好奇式提问稀少，但在合适的情境下能带来更丰富的对话内容。
对构建模型的启示
论文给出的落点在于如何让模型更有选择地发问，以支撑更深入的探索和人机协作。由于好奇式提问在语料中占比有限，而它又与更具探索性的用户回应相伴出现，作者认为这为改进模型的提问策略提供了依据。材料没有给出具体的训练方法或系统实现，也没有披露评估所用的样本规模与评分细则，因此这里能确认的只是研究指向：模型不只需要会回答，还需要在恰当的时机提出恰当的问题。
为什么值得看
给出了“模型该不该多问”的可量化框架与占比数据，对做对话产品与提问策略的人有直接参考。
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。