好奇的语言模型：战略性测试时信息获取
机器学习
2025-06-12 v1 计算与语言
摘要
决策者往往缺乏足够的信息以作出自信的决定。在此类情况下，决策者可以通过咨询有经验的专家或进行实验等方式获取有关问题的必要信息。不同信息获取手段的成本差异很大，导致选择既信息丰富又成本效益高的动作成为挑战。本文提出 CuriosiTree，一种基于启发式方法的 zero-shot 信息获取策略，用于大型语言模型 (LLMs)。CuriosiTree 采用贪心树搜索估算每种动作的预期信息增益，并在预期信息增益与关联成本之间进行权衡，以作出战略性选择。在临床诊断仿真中的经验验证表明，CuriosiTree 能够高效地整合异构信息源，优于基准动作选择策略，在选择使 accurate 诊断的动作序列方面表现更佳。
引用
@article{arxiv.2506.09173,
title = {The Curious Language Model: Strategic Test-Time Information Acquisition},
author = {Michael Cooper and Rohan Wadhawan and John Michael Giorgi and Chenhao Tan and Davis Liang},
journal= {arXiv preprint arXiv:2506.09173},
year = {2025}
}
备注
39 pages