arXiv cs.AI· Wei Shi, Ziheng Peng, Sihang Li, Xiting Wang, Xiang Wang, Mengnan Du, Na Zou·· 10 天前AI 评分33
LLM 智能体的内在过度调用偏差：诊断与因果校正
To Call or Not to Call: Diagnosing Intrinsic Over-Calling Bias in LLM Agents
AI 导读
研究在 When2Call 基准上发现，来自三个模型族的六个 LLM 智能体调用准确率高但"不调用"准确率低，整体准确率仅 55%-70%，根源是内在偏差假设（IBH）——调用/不调用决策映射带有与激活无关的调用偏移。
正文 · AI 翻译
摘要：LLM 智能体表现出一种一致的过度调用倾向，即使在没有必要的情况下也会调用工具。在 When2Call 基准测试中，来自三个家族的六个模型显示出较高的调用准确率，但无调用准确率要低得多，导致整体准确率处于 55%-70% 的区间。我们将此追溯到内在偏置假说（IBH）：调用/无调用决策映射携带一个与激活无关的调用偏移，因此即使在激活对等的情况下，模型也偏向于调用。使用稀疏自编码器（SAE），我们为调用/无调用决策恢复了行为对齐的特征基，将其简化为一个有符号的激活边际，并直接估计该偏移。在所有六个模型中，只有当无调用激活超过调用激活时，模型才是决策中立的，这与 IBH 一致。然后，我们使用自适应边际校准引导（AMCS）对 IBH 进行因果检验，这是一种沿 SAE 解码方向的闭式反偏置偏移。消除诊断出的偏移可缓解过度调用并提高整体准确率，而调用准确率的下降可忽略不计。我们的工作将过度调用从一种经验现象重新表述为一种可进行因果校正的机制对象。代码可在 此 https URL 获取。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.18882 [cs.LG] |
| （或 arXiv:2605.18882v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.18882 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Wei Shi [查看电子邮件]
[v1]
2026年5月16日星期六 04:18:30 UTC（2,666 KB）
[v2]
2026年10月6日星期二 08:37:14 UTC（2,550 KB）
来源：arXiv cs.AI · arxiv.org