热点事件持续更新
HARP：基于显式角色推断的LLM编排框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026 年 10 月 7 日，arXiv cs.CL 刊出 HARP 框架的报道。该工作针对异构偏好下的大语言模型编排，提出把偏好信念从提示词中移出：为每个智能体在有限候选偏好集上维护数值后验，并按贝叶斯规则闭式更新；语言模型只负责提供动作与各候选的似然，从而使估计与推理解耦。作者证明，在因子分解精确的条件下，HARP 能达到与显式联合推断相同的 Õ(√K) 贝叶斯遗憾；其变体 HARP+ 进一步为可区分候选的动作加分，使得最优动作无信息时推断仍能继续。报道称，在三种测试环境下，HARP+ 是该理论界定类别中最强的非 oracle 方法。目前该事件仅有这一篇报道，尚无后续进展或不同说法。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
arXiv 刊出 HARP：用贝叶斯后验在有限偏好集上做角色推断，HARP+ 在三种环境下为最强非 oracle 方法。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.CLHARP：异构偏好下基于显式角色推断的大语言模型编排
HARP 将偏好信念移出提示词，为每个智能体在有限候选偏好集上维护数值后验并按贝叶斯规则闭式更新，语言模型只提供动作与各候选似然，使估计与推理解耦。作者证明其在因子分解精确时达到与显式联合推断相同的 Õ(√K) 贝叶斯遗憾，HARP+ 还为可区分候选的动作加分，使最优动作无信息时推断仍继续。在三种测试环境下，HARP+ 是该理论界定类别中最强的非 oracle 方法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。