Creative Quality Alignment: Expert Tacit Knowledge Transfer via Chain-of-Thought Fine-Tuning
计算与语言
2026-05-26 v1 人工智能
机器学习
摘要
本文提供了 Calibrated Surprise (Zou & Xu, 2026a) 提出的创意质量度量的实证实现。这篇论文所关注的问题是：这个数学主张在工程层面上是否成立？为使答案尽可能通用，我们刻意选择最严格的工程条件：低数据成本和小型基础模型。训练数据来自约 100 份专家链律思（CoT）注释，由 BC 协议 (Zou & Xu, 2026b) 产生。我们还识别出一种数据偏差：大多数公开可用的对齐数据集偏向于 craft 相关知识，而 audience modeling 和 reality-logic coverage 系统性地薄弱。我们使用 Creative Quality Alignment (CQA) 这一术语来描述这类工程方法。我们还提供了一个支持性理论观察：在单一条件分布架构的 LLM 中，校准 appreciation 侧会自动通过架构对偶性转移到 generation 侧。这就是 ~100 个 CoT 示例足以起作用的结构原因——这不是纯粹经验观察像 LIMA (Zhou 等, 2023)。
引用
@article{arxiv.2605.25977,
title = {Creative Quality Alignment: Expert Tacit Knowledge Transfer via Chain-of-Thought Fine-Tuning},
author = {Bo Zou and Chao Xu},
journal= {arXiv preprint arXiv:2605.25977},
year = {2026}
}