跳到正文
arXiv cs.CL· Jessica Tang, Shraddha Barke, Sharad Agarwal·· 10 小时前AI 评分33

Tokengeist:智能体对话中的多轮归因追踪框架

Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations

AI 导读

Tokengeist 是一个与归因方法无关的可扩展框架,将归因建模为对话轮次有向无环图的递归遍历,以恢复完整依赖路径。在四个开放权重模型上,源召回率从扁平归因的 11-38% 提升至 82-94%。研究同时提出 MTCABench 基准,含 685 段多轮对话中的 3,970 个目标片段,标注深度最高达 17 的溯源图,并揭示了单遍归因的“溯源坍缩”失效模式。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:当模型在数轮对话和工具使用之后给出回答时,监督者需要知道它依据的是哪些更早的轮次和中间步骤。归因是回答这一问题的自然基本操作,但现有的上下文归因方法对完整记录进行单遍处理:它们恢复的是表层依赖关系,却遗漏了多轮轨迹的分层结构——在这种结构中,助手的一轮回复本身就是一个派生结果,它浓缩或转换了更早的上下文。我们提出多轮上下文归因(MTCA):给定模型响应中的一个目标片段,任务是跨轮次回溯归因,不仅识别哪些先前轮次直接相关,还要识别这些轮次本身如何依赖于更早的上下文。我们提出 Tokengeist,这是一个与归因方法无关且可扩展的框架,它将归因视为在对话轮次构成的有向无环图上的递归遍历,从而恢复完整的依赖路径。我们将发布 MTCABench,这是一个包含 685 段多轮对话中 3,970 个目标片段的基准,标注了深度可达 17 的金标准溯源图,涵盖四种依赖类型。在四个开放权重模型上,扁平归因方法无法恢复多跳依赖,源召回率从扁平归因下的 11-38% 提升到 Tokengeist 下的 82-94%。我们的结果揭示了单遍归因的一种系统性失效模式,我们称之为溯源坍缩,即归因终止于最近的助手复述,而非最初的事件。
主题: 人工智能(cs.AI);计算与语言(cs.CL)
引用为: arXiv:2607.22610 [cs.AI]
  (或本版本的 arXiv:2607.22610v2 [cs.AI])
  https://doi.org/10.48550/arXiv.2607.22610

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Jessica Tang [查看邮箱]
[v1] 2026年6月14日周日 17:14:01 UTC(1,452 KB)
[v2] 2026年11月19日周四 16:06:35 UTC(1,635 KB)

来源:arXiv cs.CL · arxiv.org