论文用人类写作分布衡量LLM输出的覆盖广度与集中程度。
资讯摘要
论文提出一个以人类写作为基准的框架，用同一主题下人类文本的经验分布衡量LLM生成内容的分布广度，并提出LLM Coverage（LLM-Cov）与In-Boundary Rate（IBR）两项指标，分别刻画分布广度与是否落在人类参考区域内。作者报告在构思与叙事任务中，受测LLM的平均覆盖度低于同等规模的人类留出样本，且模型输出更集中于人类响应空间的中心；在哈利·波特同人写作中，被覆盖与未被覆盖的段落在本体锚定和叙事形式上存在系统性差异。
要点速读
- 论文提出LLM-Cov与IBR两项指标，分别衡量分布广度与落入人类参考区域的比例。
- 作者报告在构思和叙事任务上，受测LLM平均覆盖度低于同等规模的人类留出样本，输出更集中于人类响应空间中心。
- 在哈利·波特同人写作中，被覆盖与未被覆盖段落在本体锚定和叙事形式上呈现系统性差异。
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 2026/10/28 08:00:17（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。