AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

范围：站内优先仅站内全网全网通道：bing

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 3 条来源 · 引用可点击溯源

现有资料不足以回答「PRISM 在六个基准上相对基线的具体提升幅度」这一问题——资料中没有任何一条给出该提升幅度的具体数值。可确认的相关信息如下：

提到「六个基准」的是 2 中的 PRISM（PRIvileged Sibling-guided Multi-Agent Topology Design），它是一种面向 LLM 多智能体系统的拓扑生成后训练方法，摘要仅说明「在六个基准上优于现有拓扑设计基线」，未给出任何具体提升数值2。
需要注意名称歧义：另有一条同名 PRISM 工作研究工具调用语言模型中激活干预的可迁移性，其可确认的量化结果是「无需目标语言微调即可将 Llama-3.1-8B 的不安全违规降低 21.95 个百分点」，并可迁移至 70B 模型1；但该数字是安全违规下降幅度，并非「六个基准上相对基线的提升」，不能用于回答本问题1。
3 中的 ReviewPilot 属于系统综述 PRISMA 流程的多智能体系统，与 PRISM 无关；其报告的是筛选宏 F1 0.776、抽取 F1 0.7883，同样不能作为 PRISM 六基准提升幅度的依据。

结论：若需要具体提升幅度，需查阅 2 的论文全文（实验表格部分），现有摘要级资料无法支撑该数值。

继续追问

PRISM（多智能体拓扑设计）在六个基准上分别评测了哪些数据集/任务？PRISM 的「特权兄弟」零初始化低秩分支具体如何实现逐决策监督？工具调用方向的 PRISM 中 21.95 个百分点的违规下降是在哪个基准和基线上测得的？

参考来源

3 条

1站内PRISM: Transfer and Limits of Activation Interventions in Tool-Calling Language ModelsPRISM 框架研究工具调用语言模型中激活干预的可迁移性，发现利用量化 NF4 标签和跨语言迁移可稳定估计安全干预方向，无需目标语言微调即可将 Llama-3.1-8B 的不安全违规降低 21.95 个百分点，并可迁移至 70B 模型。arXiv cs.CLhttps://arxiv.org/abs/2610.20808 2站内PRISM: PRIvileged Sibling-guided Multi-Agent Topology DesignPRISM 提出一种面向 LLM 多智能体系统的拓扑生成后训练方法：利用同一查询下另一个已验证可行图作为"特权兄弟"信息，通过零初始化低秩分支让教师模型提供逐决策监督，使学生模型学到查询级偏好，避免 SFT 偏向语料高频拓扑。在六个基准上优于现有拓扑设计基线。arXiv cs.CLhttps://arxiv.org/abs/2610.20628 3站内ReviewPilot: A Multi-Agent System for Screening and Data Extraction in Systematic ReviewsReviewPilot 是一个面向系统综述 PRISMA 流程的多智能体系统，通过对话定制筛选标准与抽取模式，并保留项目记忆，实现论文筛选与证据抽取的自动化。每条筛选决策附理由、每个抽取值附来源，在流行病学专家评审中优于单提示 LLM 与 AgentSLR，筛选宏 F1 达 0.776、抽取 F1 达 0.788，值得关注其可追溯性与跨领域迁移潜力。arXiv cs.CLhttps://arxiv.org/abs/2610.21042

AI 答案正在检索与综合…

站内相关条目

3 条 · 点击可看原文全文与中文译文

返回信息流

大模

PRISM: Transfer and Limits of Activation Interventions in Tool-Calling Language Models

PRISM 框架研究工具调用语言模型中激活干预的可迁移性，发现利用量化 NF4 标签和跨语言迁移可稳定估计安全干预方向，无需目标语言微调即可将 Llama-3.1-8B 的不安全违规降低 21.95 个百分点，并可迁移至 70B 模型。

大模型·arXiv cs.CL·4 天前

#llm

PRISM: PRIvileged Sibling-guided Multi-Agent Topology Design

PRISM 提出一种面向 LLM 多智能体系统的拓扑生成后训练方法：利用同一查询下另一个已验证可行图作为"特权兄弟"信息，通过零初始化低秩分支让教师模型提供逐决策监督，使学生模型学到查询级偏好，避免 SFT 偏向语料高频拓扑。在六个基准上优于现有拓扑设计基线。

Agent·arXiv cs.CL·4 天前

#multi-agent

ReviewPilot: A Multi-Agent System for Screening and Data Extraction in Systematic Reviews

ReviewPilot 是一个面向系统综述 PRISMA 流程的多智能体系统，通过对话定制筛选标准与抽取模式，并保留项目记忆，实现论文筛选与证据抽取的自动化。每条筛选决策附理由、每个抽取值附来源，在流行病学专家评审中优于单提示 LLM 与 AgentSLR，筛选宏 F1 达 0.776、抽取 F1 达 0.788，值得关注其可追溯性与跨领域迁移潜力。

Agent·arXiv cs.CL·4 天前

#multi-agent