xxaikey
免费订阅
← 全部资讯
论文arxiv cs.CL · 3d ago重要

Measuring and Improving Behavioral Consistency in Large Language Models through Fact-Heuristic-Emotion State Enforcement

分类释义：学术论文 / 技术报告

TL;DR

CKM（认知内核模型）通过强制 LLM 在决策前将输入分类为 Fact/Heuristic/Emotion 三种认知角色，在 26 个模型、37403 次观测中实现决策翻转率降低 82%，且效果不依赖模型权重修改。

关键要点

  • 01CKM（认知内核模型）通过强制 LLM 在决策前将输入分类为 Fact/Heuristic/Emotion 三种认知角色。
  • 02在 26 个模型、37403 次观测中实现决策翻转率降低 82%。
  • 03且效果不依赖模型权重修改。
为什么值得关注

LLM 在生产环境中对同一问题给出不一致答案是真实痛点，CKM 证明了「结构化认知分类」比单纯 JSON 格式化更能约束行为；工程师可直接在 prompt 中增加「请先分别列出你使用的：事实、假设、情感倾向」步骤来提升 Agent 决策稳定性。

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 CKM 方法是否纳入团队的 prompt 规范和 code review checklist
应用工程师在现有 agent prompt 中加入「先列出事实/假设/情感倾向」步骤，验证一致性提升效果
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