上下文增强带来的准确率提升未必是真实改进。
资讯摘要
论文提出一个评估框架，比较五种推理时上下文增强方法，按插入内容的“信息量”区分，并在句子级、七个不同规模模型和三个数据集上测试。作者报告，准确率提升并非都是真实改进，部分是无方向扰动：方法纠正一些预测的同时破坏另一些，尤其当插入文本只增加计算时间时。分析显示，不引入额外内容的方法主要在决策边界附近改变预测。
要点速读
- 评估覆盖五种上下文增强方法、七个模型和三个数据集，均在句子级应用。
- 作者报告准确率提升不总是真实改进，部分方法纠正部分预测的同时破坏其他预测。
- 不引入额外内容的方法主要改变决策边界附近的模型预测。
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 2026/10/24 08:00:37（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。