Hugging Face · 每日论文· 媒体 / 作者来源·精选
研究发现语言模型在组合任务时存在隐式思考预算，按脆弱性分组可省43% token
原文标题
On the Fragility of Tasks under Composition: Implicit Budgeting in Language Models
AI 导读
论文指出，当多个任务组合在同一提示中时，模型错误率显著上升，即使每个任务单独都能可靠完成，且错误无法用独立误差累积解释。在开源模型和Claude Opus 5上，作者发现模型在组合下每个任务分配的思考token明显少于单独完成时，即使序列远未超出上下文窗口；单独完成时需要更长解题轨迹的任务在组合下更易出错。利用这一隐式预算机制，按任务脆弱性分组可在数学和语言任务上减少43%的token使用并保持准确率。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
论文提出组合任务下错误源于隐式思考预算而非误差累积的解释，并给出按脆弱性分组省43% token且保准确率的可复用方法，适用于多任务提示设计。
导读由模型辅助整理，非独立核验。完整信息见原文。