仅正向一次：一种高效的组合性评判范式
人工智能
2026-02-03 v3
摘要
多模态大语言模型（MLLM）显示出作为评判器的强大潜力。然而，现有方法面临根本性的权衡：将 MLLM 适配输出单一分数与其生成性质不符，限制了细粒度需求理解；而自回归生成评判分析在高吞吐量场景下则代价高昂。观察到评判过程归结为验证输入是否满足一组结构化要求，我们提出了 YOFO（You Only Forward Once），一种基于模板的条件方法，在单次前向传播中对所有要求进行评判。基于自回归模型，YOFO 接受结构化要求模板，一步推理后为每个要求输出二进制是/否决策，通过读取与该要求相关的最后一个 token 的 logits。该设计在保持可解释性的同时实现数量级加速。大量实验表明，YOFO 不仅在标准推荐数据集上取得最前沿结果，还支持依赖感知分析——即后续评判基于先前评判——并从后验的思考链（CoT）中获益。
引用
@article{arxiv.2511.16600,
title = {You Only Forward Once: An Efficient Compositional Judging Paradigm},
author = {Tianlong Zhang and Hongwei Xue and Shilin Yan and Di Wu and Chen Xu and Guannan Zhang and Yunyun Yang},
journal= {arXiv preprint arXiv:2511.16600},
year = {2026}
}