研究者提出一阶上下文Shapley数据审计流水线

Yunting Song 等作者提出 First-Order In-Context Shapley，一种仅需推理的数据估值流水线：在语义 k-NN 邻域上以 O(k) 次前向计算完成，无需更新参数，算力比多轮 Monte-Carlo in-context Shapley 低 19 倍，并在 100% 目标上与其正相关。 作者称，预筛选把 LLM twin 仲裁限制在 1%–5% 的记录上，在 HelpSteer2 上对已确认错误实现 4.5 倍富集、Anthropic HH-RLHF 上为 2.2 倍，能发现零样本似然与 margin 过滤漏掉的自相矛盾。 作者报告，对标记记录进行修复或过滤后重训 DPO，整体奖励准确率提升 0.5%–0.6%，修复的倒置样本上提升 3.1%–3.5%，即使不经 LLM 仲裁也成立。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。