Frontiers：HuMCal 校准 LLM 样本以缩小与人类偏好的差距

Frontiers：缩小LLMs与人类的差距：最优LLM样本校准

Marketing Science · 发布于 2026-10-30 00:00 · 收录于 2026-11-01

摘要

模型无关的后处理校准方法 HuMCal 通过人类基准数据学习跨提示词、角色和模型检查点的组合权重，以校准 LLM 样本、缩小其偏好与真人回答的差距。在消费交易与民意调查中，其一致性优于常规聚合，权重可跨时间、地域、行业及问题簇复用。

论文/研究合成用户问卷/定量市场研究

Marketing Science2026-10-30 00:00