计算系统目下很会找府上。个 agent 不错搜索网页、调用器具、整理来源广安缓粘结预应力钢绞线，再把几十条材料带回计算阶段。
但确凿的艰巨从这里才驱动：后该怎样使用这些字据？
常见作念法是把沿途材料塞进次 LLM 调用，让模子自行消化并给出谜底。效果可能很自信，但使用者很难判断，究竟是哪条字据改换了计算。
EMNLP 2026 Main Conference给与的论文新作《LEAP: Likelihood Elicitation and Aggregation for LLM-based Probabilistic Forecasting》，系统地询查了这步。
它在保留已有搜索与字据麇集历程的前提下，重新联想了 evidence 到 forecast 的治愈式。
搜索终了之后，计算才刚刚驱动
论文把次读取沿途字据并径直作答的式称为Monolithic Prediction。这种历程把字据讲明、打破科罚和终有运筹帷幄王人交给同次模子调用。当然说话 rationale 不错阐明模子"宣称我方为什么这样思"，却很难每条材料在计较中真的凿影响。
LEAP 将这几个作为断绝。LLM 每次只读取任务和条字据，判断这条字据对不同效果提供了多强的复古。通盘局部判断完成后，显式概率模子再统计较 posterior。
△同组字据插足两种计算历程。左侧次生成谜底，右侧保留逐条字据的 likelihood，并显式计较效果散布。LLM 庄重讲明，概率模子庄重组
LEAP 的单干很明确。
LLM 科罚局部语义。
每次调用只分析条 evidence item，并复返结构化 likelihood parameters。模子看不到其他字据、累计效果或中间 posterior，因此不会在局部判断时提前并沿途信息。
Prior 提供计算来源。
有可靠历史数据时，prior 来自历史序列；枯竭数据时，系统通过不读取现时字据的 LLM 调用臆度基础散布。这样不错避同条字据在 prior 和 likelihood 中被计较两次。
贝叶斯新给出终效果广安缓粘结预应力钢绞线。
当通盘局部 likelihood 准备收场后，细见地闭式重生成 posterior。连气儿处所输出分位数，单选任务输出候选项概率，多选任务输出各选项的 Bernoulli marginal。
执行字据很少立。多个网页可能援用同份汇报，次局部 elicitation 也可能带有噪声。LEAP 因此蕴蓄类同源字据，欺诈重叠采样检验判断的致，并过滤连气儿处所中的彰着数值十分。
△上游 agent 不息庄重搜索和整理材料。LEAP 给与固定的 evidence set，完成 prior estimation、逐条 elicitation、safeguards 和 posterior aggregation。计算效果不错追思到具体字据
显式聚带来个径直公正：每条字据的影响王人能重新计较。
关于插足 posterior 的随性 evidence item，系统不错暂时移除它，再运行次疏通的闭式新。新旧效果之间的变化等于该字据的 leave-one-out contribution。通盘过程不需要模子过后补写讲明。
使用者由此不错检讨哪些材料动了某个候选效果，哪些来源简直莫得改换计算，以及现时置信度是否主要依赖少数字据。需要核查效果时，也不错沿着 contribution 回到原始 evidence。
在字据疏通的要求下比较
论文从 FutureX、GAIA 和 BrowseComp 构建计算与信息检索任务。LEAP 与 Monolithic Prediction 在每个任务上分享同 evidence set，实验只比较终计算式。
在固定 ReAct-style agent loop 和分享字据集的缔造下，预应力钢绞线实验散失 DeepSeek-V3.2、Gemini-3.1-Flash-Lite、Claude-Haiku-4.5、GPT-5.4-mini 与 Grok-4.20-Fast。LEAP 在五个 base model 上王人提了 FutureX、Spherical、Accuracy 和 NCRPS。FutureX 的对增益为3.6至18.1个点，Spherical 的对增益为2.5至15.1个点。
论文还径直使用 DeerFlow、Hermes、OpenClaw 和 MiroFlow 的原始 agent trace。在这四个外部 CLI framework 上，LEAP 了大无数诡计，macro-average 在论文汇报的五项诡计上均有进步。
驱逐实验给 Monolithic Prediction 提供疏通的 prior 或周边的 token budget，LEAP 仍然保留势。与 two-sample ensemble 比拟，LEAP 的 median latency 接近，p95 latency ，因为整次计算需要恭候慢的 evidence-level call。
计算跨度变万古，两种法的各别加彰着。在论文的会诊子集上，LEAP 相对 Monolithic Prediction 的对校正从 7 天到30 天、60 天握续扩大。靠近转折的字据，LEAP 倾向于给出宽的 posterior，减少置信度狂放。
△会诊子集上的 forecast horizon 分析。横轴为距离效果揭晓的天数，纵轴为 LEAP 相对 Monolithic Prediction 的对校正。以 skill 的花式接入现存 agent
LEAP 的代码依然开源。仓库包含论文冷落的贝叶斯计算历程，并以可插拔 skill 的花式提供。已有 agent 不错保留我方的搜索、浏览和字据整理式，在 evidence set 固定后调用 LEAP 完成概率计算。
论文标题：《LEAP: Likelihood Elicitation and Aggregation for LLM-based Probabilistic Forecasting》
作家：Yufei Chen，Yiran Zhao，Xiaogang Xu †，Qipeng Xie，Jiafei Wu，Zhe Liu †（†为通信作家）
论文地址：https://layingfish.github.io/LEAP/LEAP.pdf
神气主页：https://layingfish.github.io/LEAP/
代码仓库：https://github.com/layingfish/LEAP
键三连「点赞」「转发」「注意心」
宽饶在挑剔区留住你的思法！
— 完 —
【学术投稿】请在责任日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉咱们：你是谁，从哪来，投稿内容附上神气 / 主页聚积，以及相干式。
� � 咱们会 ( 尽量 ) 实时酬劳你 : )
� � 点亮星标 � �
科技前沿施展逐日见手机号码：15222026333相关词条:不锈钢保温 塑料管材设备 预应力钢绞线 玻璃棉板厂家 pvc管道管件胶
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。