Jev-LDE：通过轻量模型单次精修少样本示例，显著提升大模型准确率

研究人员提出轻量化少样本提示编辑方案 Jev-LDE，通过单次微调编辑检索到的示例来替代传统高成本的组合搜索，显著提升下游大模型的提示响应准确率。

• 传统少样本示例选择依赖多轮模型调用或复杂的组合搜索，计算开销较大且容易遭遇搜索爆炸。
• Jev-LDE 采用 1.7B 参数的轻量模型充当单步编辑器，对语义检索返回的示例集合进行类型与质量检查，仅执行一次替换或修正动作。
• 实验表明，在 3 个基准与 4 个主流大模型上，平均 1-shot 准确率从 81.2% 提升至 88.1%，在 48 组评测设置中有 44 组取得最佳表现，且仅增加约 11% 的端到端耗时。
• 影响/看点：该方案以极小的延迟代价提升了上下文示例质量，为生产环境中的 RAG 与少样本管道提供了低成本优化组件，但其泛化性需要在开放域生成及多轮复杂问答等非结构化任务中进一步检验。
• 资料依据：
• arXiv 论文预印本（2026-09-29）：https://arxiv.org/abs/2609.18195
• X：马东锡 NLP（2026-09-29）：https://x.com/dongxi_nlp/status/2104802445150839013

本内容由 AI 生成，仅供参考，请注意甄别