CARE-SD架构提升本地小模型自披露分析

Aisvarya Adeseye 提出并评估了 CARE-SD 四模块架构，用于本地小语言模型对网络安全访谈中自我披露的可解释分析。该架构整合上下文自适应处理、分层披露推理、解释一致性验证和跨批次协调。 研究在 82 份独立标注的网络安全访谈上测试 Llama 1B、Qwen 1.5B 和 Llama 3B，并与传统分类器、三种提示策略、8B–32B 更大模型及架构消融对比。结果显示，CARE-SD 将 Llama 3B 的 Macro-F1 从 0.80 提升至 0.88，无依据论断减少 60%；3B 模型在类别 Macro-F1 上追平 20B 参考模型。两名独立评审者评估了披露标签、事实性论断和解释正确性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。