热点事件持续更新
LQET：按来源而非报告次数更新信念
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12日，arXiv cs.AI 刊出一项关于人类-AI 反馈回路中来源感知信念更新的研究，提出方法 LQET。该方法的要点是让语言模型依据报告来源的谱系、而非报告的数量来更新信念，从而避免同一次观察被反复引用后，被误当作相互独立的佐证。在受控二元基准上，相较只用任务训练的基线，LQET 将新证据更新的 RMSE 降低 41-44%；经过八轮 relay 之后，log-odds drift 降低 89-91%。报道称，这一提升在 Qwen3-4B 与 Phi-4-mini 上均成立，每个 backbone 使用三组配对训练种子。目前该事件仅有这一篇报道，尚无后续进展或相互矛盾的说法。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.AILQET：人类-AI 反馈回路中的来源感知信念更新
LQET 让语言模型依据报告来源谱系、而非报告数量更新信念，避免同一观察被反复引用后被当作独立佐证。在受控二元基准上，相较只用任务训练的基线，该方法将新证据更新的 RMSE 降低 41-44%，八轮 relay 后 log-odds drift 降低 89-91%。提升覆盖 Qwen3-4B 与 Phi-4-mini，每个 backbone 使用三组配对训练种子。
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。