模型arxiv cs.CL · 1w ago重要
A Classifier That Teaches Itself: Self-Improving, Frozen-gate Training (SIFT) for Dynamic Document Classification
分类释义：新模型发布或升级
TL;DR
SIFT 通过 LLM 只仲裁低置信度文档，让 SPLADE+LightGBM 的廉价管道持续自我学习，实现零前置标注成本且带安全回归门的动态分类服务。
关键要点
- 01SIFT 通过 LLM 只仲裁低置信度文档。
- 02让 SPLADE+LightGBM 的廉价管道持续自我学习。
- 03实现零前置标注成本且带安全回归门的动态分类服务。
为什么值得关注
这个架构把 LLM 降级成『把关老师』而非主力推理，可将月均推理成本降低 90%+。工程团队可以直接借鉴：先用轻量模型走量，置信区间外的才打给大模型；大模型反馈自动扩充训练集，形成正向飞轮。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7缓存命中
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估将大模型从主力推理降级为仲裁层的技术可行性，优先在低优先级分类任务上做 PoC |
| 应用工程师 | 学习 SPLADE + LightGBM 的置信度阈值设计，参考实现高置信样本走廉价管道、低置信样本才调用 LLM 的逻辑 |
| 运维 / 平台 | 规划双层模型的部署架构，配置成本监控以验证 90%+ 推理成本降低的实际效果 |
| 产品 / 业务 | 暂无直接影响，了解即可 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5