S&Q 用离线分类器预筛策略，减少下游 LLM 评估量。
资讯摘要
论文提出 Signals and Queries（S&Q），一种为 Parlant 4.0 设计的第一阶段相关性过滤方法。它先由 LLM 离线为每条策略生成激活示例与困难负例，再用逻辑回归分类器基于嵌入向量预测相关性，无需每轮调用 LLM。作者报告，在 254 个 τ²-bench 对话前缀和 36 条航空政策的 9,144 条 LLM 判定标签上，S&Q 在至少剔除 30% 候选策略的同时保持高召回，且在各召回水平上精度优于 top-K 与余弦阈值检索。
要点速读
- S&Q 通过离线生成示例训练独立逻辑回归分类器，避免每轮 LLM 调用。
- 作者报告该方法在评估中至少移除 30% 候选策略并保持高召回。
- 在 9,144 条 LLM 判定标签上，S&Q 各召回水平精度高于 top-K 和余弦阈值检索，两种嵌入提供商结果一致。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。