arXiv cs.CL· Jingqin Tang, Tim Tomov, Sebastian Schmidt, Dominik Fuchsgruber, Stephan G\"unnemann·· 3 天前AI 评分23
什么是澄清？估计依赖模型的输入歧义
What Is a Clarification? Estimating Model-Dependent Input Ambiguity
AI 导读
研究者区分了"世界歧义"与"模型歧义"：前者指输入本身允许的所有解释，后者指特定语言模型实际可理解并回答的解释。他们通过唯一性、忠实性和答案等价性三项准则，建立了有效答案与澄清等价类之间的一一对应关系，并提出黑盒方法 CircleClar，沿"答案—澄清—答案"循环检验一致性来估计模型可用的答案集合。
正文 · AI 翻译
摘要：歧义输入可以容纳多种解释，每种解释都可能得出不同的答案。现有工作大多将这种歧义视为输入本身的属性，然而对于某个特定的语言模型而言，可能只有部分备选解释是已知且可回答的。因此，我们区分世界歧义（涵盖输入所容纳的全部备选解释）与模型歧义（涵盖应答模型所能触及的那些备选解释）。为了刻画这些备选解释，我们通过三条准则来形式化自然语言澄清：\emph{唯一性}、\emph{忠实性}和\emph{答案等价性}。我们证明这些准则在有效答案与澄清的等价类之间诱导出一一对应关系，这意味着任何解释都可以由其答案或由唯一表达该解释的澄清来表示。我们利用这一对应关系提出了 \circleclar{}，一种黑盒方法，通过检查答案—澄清—答案循环上的一致性来估计模型可用的答案集合。在开放域问答和可执行 Text-to-SQL 上，\circleclar{} 对这些答案集合实现了强有力的恢复。在问答中，所恢复的支持集在模型依赖的歧义检测中取得了最强的整体性能，并能够在作答、澄清和弃答之间进行有效选择。总之，这些结果证明了模型依赖的歧义视角及其通过答案—澄清对应关系进行刻画的实用价值。
| Comments: | NeurIPS 2026 基础模型语言原则研讨会（LP4FM）杰出论文奖及口头报告 |
| Subjects: | 计算与语言（cs.CL） |
| Cite as: | arXiv:2610.20052 [cs.CL] |
| （或 arXiv:2610.20052v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20052 arXiv 颁发的 DOI 经由 DataCite（待注册） |
Submission history
来自：Tim Tomov [查看邮箱]
[v1]
2026年10月14日星期三 11:54:42 UTC（178 KB）
来源：arXiv cs.CL · arxiv.org