关系ICL支持集目标泄漏与评估可靠性研究

2026年9月30日，arXiv cs.AI 刊出研究，考察关系基础模型上下文学习（关系 ICL）中的支持集目标泄漏问题。研究在 13 个 RelBench 任务与 5 种关系 ICL 配置上测试了 20 个目标派生特征，发现 0-hop 目标表以及包含全部 20 个泄漏列的 Full 泄漏造成的评估偏差最大。泄漏影响高度依赖具体任务与模型：即便聚合指标变化很小，也可能反转模型变体之间的相对结论。在泄漏筛查方面，Integrated Gradients 在 0-hop 与 Full 条件下取得最佳排序质量，但删除其检出的泄漏列并不能稳定恢复干净的评估结果。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。