arXiv · cs.AI · Jusheng Zhang, Kaitong Cai, Qinglin Zeng, Ningyuan Liu, Stephen Fan, Ziliang Chen, Keze Wang · 6 小时前模型评分45
CE-Graph：用失败驱动的工作流优化方法降低大语言模型工作流失败率
Failure-Driven Workflow Refinement
导读
研究者提出 CE-Graph 框架，把大语言模型（LLM，Large Language Model）工作流优化从最大化单一评分改为直接最小化“预期失败质量”，即在高维失败特征空间（FSS，Failure Signature Space）上对失败概率密度函数积分。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We introduce CE-Graph, a framework that operationalizes this paradigm through a novel, failure-driven refinement process.”
来源：arXiv · cs.AI · arxiv.org