arXiv cs.CL· Tianyu Wang·· 11 小时前AI 评分26
AMEND：用隔离评审与约束引导的多智能体文本去毒框架
AMEND: Constraint-Guided Multi-Agent Text Detoxification with Isolated Critics
AI 导读
AMEND 是一个推理时文本去毒框架，将去毒拆分为角色条件化候选生成、隔离的多维评审和约束优先选择，先强制满足语义与流畅度可行性再按效用排序。
正文 · AI 翻译
摘要：文本去毒需要在去除毒性、保留语义和保持流畅性之间取得平衡。现有方法通常优化一个无约束的标量目标——使安全分数掩盖语义损失——或者依赖开放式的迭代辩论，容易产生语义漂移且计算成本高昂。我们提出 AMEND，一个推理时框架，将去毒解耦为角色条件化的候选生成、隔离的多维批评和约束优先的选择。AMEND 用角色盲的批评者评估多样化候选，并在按效用排序前强制满足严格的语义和流畅性可行性。为最大化效率，AMEND Lite 仅在仍存在残留毒性片段时，将后续搜索限制为至多一轮有针对性的修复。在 ParaDetox 上，对多样化角色进行一轮选择使联合评估指标比最佳单一角色提升 $+0.0508$。在冻结的确认测试集上，AMEND Lite 取得 $0.6597 \pm 0.0062$ 的联合得分，比无约束的多轮循环高出 $+0.0489$（$p < 0.05$），同时将推理请求减少 28.4%。
| 评论： | 10 页，2 幅图，4 张表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.23183 [cs.CL] |
| （或 arXiv:2610.23183v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23183 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tianyu Wang [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 09:22:21 UTC（1,594 KB）
来源：arXiv cs.CL · arxiv.org