研究提出结构修正环境，建模假设空间扩展决策

arXiv 上的一项机器学习研究将上下文学习器「是否扩展假设空间」建模为代价敏感的序列决策问题，并构建了 Structural Revision Environment。该环境可对每个来源产生匹配的失败样本，独立于证据变化调整扩展价格与剩余时间，并支持精确贝叶斯计算及单次决策的精确规范解。研究称，修正的时机是一条价值边界而非证据阈值。 在该环境中训练的 Transformer 能从效用本身复现这一边界。三个后训练谱系的语言模型预测中包含失败敏感信号，却未反映到修正决策中；允许推理的三个模型也未把历史转化为对扩展收益的估计。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。