CARF：面向科学证据筛选的上下文感知推理监督

专家纠正模型推理可作为上下文相关筛选的监督信号。

资讯摘要

论文提出上下文感知推理框架 CARF，利用专家对模型生成推理的反馈，让语言模型适配依赖上下文的标题与摘要筛选任务。作者在全球公共卫生死亡监测所用的口头尸检与死因判定方法系统综述上评估，报告 CARF 筛选表现与所评估模型相当，同时保持较高敏感度，并更倾向将模糊、依赖上下文的研究保留给人工复核。

要点速读

1. CARF 采用人在回路方式，以专家对模型推理的纠正作为监督信号。
2. 评估场景为口头尸检与死因判定方法的系统综述筛选。
3. 作者报告 CARF 筛选表现具竞争力、敏感度高，更常把模糊研究留给人工复核。

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 2026/10/31 08:00:18（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。