xxaikey
免费订阅
← 全部资讯
论文arxiv cs.CL · 2mo ago需要关注

Toward Robust In-Context Learning: Leveraging Out-of-distribution Proxies for Target Inaccessible Demonstration Retrieval

分类释义：学术论文 / 技术报告

TL;DR

研究提出 DOPA 框架，通过在分布外任务中引入 OOD 代理近似不可访问的目标域，并结合马氏距离全局多样性约束来改进演示检索，提升 LLM 的泛化鲁棒性。

关键要点

  • 01研究提出 DOPA 框架。
  • 02通过在分布外任务中引入 OOD 代理近似不可访问的目标域。
  • 03并结合马氏距离全局多样性约束来改进演示检索。
  • 04提升 LLM 的泛化鲁棒性。
为什么值得关注

工程师可借鉴「代理近似」的思路处理目标分布不可知的实际场景；RAG 系统可融入分布度量与多样性约束来优化检索策略，而非仅依赖语义相似度。

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评估现有 RAG 系统是否仅依赖语义相似度，评估引入分布度量与多样性约束的可行性
应用工程师查看 DOPA 论文中马氏距离多样性约束的具体实现，考虑在演示检索中复现该方法
运维 / 平台暂无直接影响，了解即可
产品 / 业务暂无直接影响，了解即可
阅读原文 ↗来源：arxiv cs.CL

同类资讯

arxiv cs.CL·1d ago

Sympathetic Framing: Evaluating AI Alignment across Sociodemographic Groups

arxiv cs.LG·1d ago

Recursive transformers for semiconductor thermo-mechanical reliability

arxiv cs.CL·1d ago

LayerRAG-Bench: A Cross-Layer Reliability Benchmark for Agentic Retrieval-Augmented Generation

本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5