BED-LLM：基于贝叶斯实验设计的LLM智能信息收集
计算与语言
2026-04-22 v3 人工智能
机器学习
摘要
我们提出一种通用方法，提升大型语言模型（LLM）在与用户或其他外部来源交互时智能、适应性地收集信息的能力，基于序列贝叶斯实验设计（BED）框架。这使LLM能够作为有效的多轮对话代理，能够主动与外部环境交互。我们的 метод称为BED-LLM（Bayesian experimental design with large language models），基于迭代选择问题或查询，以最大化给定先前响应后对感兴趣变量的预期信息增益（EIG）为准则。我们展示了如何以原则方式（随后估计）形式化该EIG，深入解析其构建和更新程序中的关键决策。我们发现，BED-LLM在基于20 Questions游戏的广泛测试以及利用LLM主动推断用户偏好方面，相较于纯基于提示的生成设计和其他自适应设计策略，实现了显著的性能提升。
引用
@article{arxiv.2508.21184,
title = {BED-LLM: Intelligent Information Gathering with LLMs and Bayesian Experimental Design},
author = {Deepro Choudhury and Sinead Williamson and Adam Goliński and Ning Miao and Freddie Bickford Smith and Michael Kirchhof and Yizhe Zhang and Tom Rainforth},
journal= {arXiv preprint arXiv:2508.21184},
year = {2026}
}
备注
Published at the International Conference on Learning Representations 2026