即时反馈：面向多轮专家-LLM 协作的可靠细化
机器学习
2026-05-29 v2
摘要
LLM生成的草稿常包含细微的事实或逻辑错误，但既有工作表明模型在试图修复这些错误的多轮反馈中难以可靠地进行集成。我们提出即时反馈（in-place feedback），这是一种交互范式，用户直接编辑模型先前的响应，模型则从编辑后的上下文继续生成。在五个推理密集型基准测试中，即时反馈 consistently 超过标准多轮反馈，同时所需 token 数更少；我们的细粒度分析显示，该方法更可靠地应用校正，并将其传播到后续推理。用户研究中，来自领域专家的参与者对该方法进行细化LLM生成的摘要，结果表明：参与者报告最终输出满意度更高，疲劳感显著降低，采用结合即时反馈和多轮反馈的混合策略在每个测量维度上都得分最高。这些结果表明，直接编辑错误是专家-LLM协作的更有效范式。
引用
@article{arxiv.2510.00777,
title = {In-Place Feedback: Reliable Refinement for Multi-Turn Expert-LLM Collaboration},
author = {Youngbin Choi and Minjong Lee and Saemi Moon and Seunghyuk Cho and Chaehyeon Chung and MoonJeong Park and Dongwoo Kim},
journal= {arXiv preprint arXiv:2510.00777},
year = {2026}
}
备注
42pages